Este post convidado foi co-escrito por Lydia Lihui Zhang, especialista em desenvolvimento de negócios, e Mansi Shah, engenheira de software/cientista de dados, do Planet Labs. O análise que inspirou este post foi originalmente escrito por Jennifer Reiber Kyle.
Recursos geoespaciais do Amazon SageMaker combinada com planetaOs dados de satélite da empresa podem ser usados para segmentação de culturas, e há inúmeras aplicações e benefícios potenciais desta análise nas áreas de agricultura e sustentabilidade. No final de 2023, Planeta anunciou uma parceria com a AWS para disponibilizar seus dados geoespaciais por meio Amazon Sage Maker.
A segmentação de corte é o processo de divisão de uma imagem de satélite em regiões de pixels, ou segmentos, que possuem características de corte semelhantes. Nesta postagem, ilustramos como usar um modelo de aprendizado de máquina (ML) de segmentação para identificar regiões cortadas e não cortadas em uma imagem.
Identificar regiões de cultivo é um passo fundamental para obter insights agrícolas, e a combinação de dados geoespaciais ricos e ML pode levar a insights que orientam decisões e ações. Por exemplo:
- Tomar decisões agrícolas baseadas em dados – Ao obterem uma melhor compreensão espacial das culturas, os agricultores e outras partes interessadas agrícolas podem optimizar a utilização de recursos, desde água a fertilizantes e outros produtos químicos ao longo da época. Isto estabelece as bases para a redução de resíduos, melhorando as práticas agrícolas sustentáveis sempre que possível e aumentando a produtividade, minimizando ao mesmo tempo o impacto ambiental.
- Identificação de tensões e tendências relacionadas com o clima – Dado que as alterações climáticas continuam a afectar a temperatura global e os padrões de precipitação, a segmentação das culturas pode ser utilizada para identificar áreas que são vulneráveis ao stress relacionado com o clima para estratégias de adaptação climática. Por exemplo, arquivos de imagens de satélite podem ser usados para rastrear mudanças numa região de cultivo ao longo do tempo. Estas poderiam ser as mudanças físicas no tamanho e distribuição das terras agrícolas. Podem também ser as alterações na humidade do solo, na temperatura do solo e na biomassa, derivadas dos diferentes índices espectrais dos dados de satélite, para uma análise mais profunda da saúde das culturas.
- Avaliação e mitigação de danos – Por último, a segmentação das culturas pode ser utilizada para identificar com rapidez e precisão áreas danificadas nas culturas em caso de catástrofe natural, o que pode ajudar a dar prioridade aos esforços de socorro. Por exemplo, após uma inundação, imagens de satélite de alta cadência podem ser utilizadas para identificar áreas onde as culturas foram submersas ou destruídas, permitindo que as organizações de ajuda humanitária ajudem os agricultores afectados mais rapidamente.
Nesta análise, usamos um modelo K-vizinhos mais próximos (KNN) para conduzir a segmentação de culturas e comparamos esses resultados com imagens reais em uma região agrícola. Nossos resultados revelam que a classificação do modelo KNN é representativa com mais precisão do estado do campo de cultivo atual em 2017 do que os dados de classificação de verdade de 2015. Esses resultados são uma prova do poder das imagens geoespaciais de alta cadência do Planet. Os campos agrícolas mudam frequentemente, por vezes várias vezes por estação, e ter imagens de satélite de alta frequência disponíveis para observar e analisar estas terras pode proporcionar um valor imenso à nossa compreensão das terras agrícolas e dos ambientes em rápida mudança.
Parceria Planet e AWS em ML geoespacial
Recursos geoespaciais do SageMaker capacitar cientistas de dados e engenheiros de ML para construir, treinar e implantar modelos usando dados geoespaciais. Os recursos geoespaciais do SageMaker permitem transformar ou enriquecer com eficiência conjuntos de dados geoespaciais em grande escala, acelerar a construção de modelos com modelos de ML pré-treinados e explorar previsões de modelos e dados geoespaciais em um mapa interativo usando gráficos 3D acelerados e ferramentas de visualização integradas. Com os recursos geoespaciais do SageMaker, você pode processar grandes conjuntos de dados de imagens de satélite e outros dados geoespaciais para criar modelos de ML precisos para diversas aplicações, incluindo segmentação de culturas, que discutiremos nesta postagem.
Planet Labs PBC é uma empresa líder em imagens da Terra que utiliza sua grande frota de satélites para capturar imagens da superfície da Terra diariamente. Os dados do planeta são, portanto, um recurso valioso para ML geoespacial. Suas imagens de satélite de alta resolução podem ser usadas para identificar diversas características das culturas e sua saúde ao longo do tempo, em qualquer lugar da Terra.
A parceria entre a Planet e a SageMaker permite que os clientes acessem e analisem facilmente os dados de satélite de alta frequência da Planet usando as poderosas ferramentas de ML da AWS. Os cientistas de dados podem trazer seus próprios dados ou encontrar e assinar convenientemente os dados do Planet sem mudar de ambiente.
Segmentação de recorte em um notebook Amazon SageMaker Studio com uma imagem geoespacial
Neste exemplo de fluxo de trabalho de ML geoespacial, veremos como trazer os dados do Planet junto com a fonte de dados reais para o SageMaker e como treinar, inferir e implantar um modelo de segmentação de colheita com um classificador KNN. Finalmente, avaliamos a precisão dos nossos resultados e comparamos isso com a nossa classificação da verdade básica.
O classificador KNN utilizado foi treinado em um Notebook Amazon SageMaker Studio com tecnologia geoespacial imagem e fornece um kernel de notebook flexível e extensível para trabalhar com dados geoespaciais.
A Estúdio Amazon SageMaker notebook com imagem geoespacial vem pré-instalado com bibliotecas geoespaciais comumente usadas, como GDAL, Fiona, GeoPandas, Shapely e Rasterio, que permitem a visualização e processamento de dados geoespaciais diretamente em um ambiente de notebook Python. Bibliotecas comuns de ML, como OpenCV ou scikit-learn, também são usadas para realizar a segmentação de culturas usando a classificação KNN e também são instaladas no kernel geoespacial.
Seleção de dados
O campo agrícola que ampliamos está localizado no geralmente ensolarado condado de Sacramento, na Califórnia.
Por que Sacramento? A seleção de área e tempo para este tipo de problema é definida principalmente pela disponibilidade de dados reais, e tais dados sobre tipo de cultura e dados de limite não são fáceis de obter. O Conjunto de dados da pesquisa DWR de uso da terra do condado de Sacramento de 2015 é um conjunto de dados disponível publicamente que cobre o condado de Sacramento naquele ano e fornece limites ajustados manualmente.
A principal imagem de satélite que usamos é a imagem de 4 bandas do Planeta Produto PSScene, que contém as bandas Azul, Verde, Vermelho e IR Próximo e é corrigido radiometricamente para a radiância do sensor. Os coeficientes para correção da refletância no sensor são fornecidos nos metadados da cena, o que melhora ainda mais a consistência entre as imagens tiradas em momentos diferentes.
Os satélites Planet's Dove que produziram estas imagens foram lançados em 14 de fevereiro de 2017 (comunicado de imprensa), portanto, eles não capturaram imagens do condado de Sacramento em 2015. No entanto, eles têm obtido imagens diárias da área desde o lançamento. Neste exemplo, contentamo-nos com o intervalo imperfeito de 2 anos entre os dados reais e as imagens de satélite. No entanto, as imagens de baixa resolução do Landsat 8 poderiam ter sido usadas como ponte entre 2015 e 2017.
Acesse os dados do Planeta
Para ajudar os usuários a obter dados precisos e acionáveis com mais rapidez, a Planet também desenvolveu o Planet Software Development Kit (SDK) para Python. Esta é uma ferramenta poderosa para cientistas e desenvolvedores de dados que desejam trabalhar com imagens de satélite e outros dados geoespaciais. Com este SDK, você pode pesquisar e acessar a vasta coleção de imagens de satélite de alta resolução do Planet, bem como dados de outras fontes como o OpenStreetMap. O SDK fornece um cliente Python para APIs da Planet, bem como uma solução de interface de linha de comando (CLI) sem código, facilitando a incorporação de imagens de satélite e dados geoespaciais em fluxos de trabalho Python. Este exemplo usa o cliente Python para identificar e baixar as imagens necessárias para a análise.
Você pode instalar o cliente Planet Python no notebook SageMaker Studio com imagem geoespacial usando um comando simples:
Você pode usar o cliente para consultar imagens de satélite relevantes e recuperar uma lista de resultados disponíveis com base na área de interesse, intervalo de tempo e outros critérios de pesquisa. No exemplo a seguir, começamos perguntando quantos Cenas do PlanetScope (imagens diárias do planeta) cobrem a mesma área de interesse (AOI) que definimos anteriormente através dos dados terrestres em Sacramento, dado um determinado intervalo de tempo entre 1 de junho e 1 de outubro de 2017; bem como uma certa faixa máxima desejada de cobertura de nuvem de 10%:
Os resultados retornados mostram o número de cenas correspondentes que se sobrepõem à nossa área de interesse. Ele também contém os metadados de cada cena, seu ID de imagem e uma referência de imagem de visualização.
Depois que uma cena específica for selecionada, com especificação do ID da cena, tipo de item e pacotes de produtos (documentação de referência), você pode usar o seguinte código para baixar a imagem e seus metadados:
Este código baixa a imagem de satélite correspondente para o Sistema de arquivos elástico da Amazon (Amazon EFS) volume para SageMaker Studio.
Treinamento de modelo
Após o download dos dados com o cliente Planet Python, o modelo de segmentação pode ser treinado. Neste exemplo, uma combinação de classificação KNN e técnicas de segmentação de imagem é usada para identificar a área de cultivo e criar recursos geojson georreferenciados.
Os dados do Planeta são carregados e pré-processados usando as bibliotecas e ferramentas geoespaciais integradas no SageMaker para prepará-los para o treinamento do classificador KNN. Os dados reais para treinamento são o conjunto de dados da Pesquisa DWR de Uso da Terra do Condado de Sacramento de 2015, e os dados do Planet de 2017 são usados para testar o modelo.
Converta recursos de verdade em contornos
Para treinar o classificador KNN, a classe de cada pixel como crop
or non-crop
precisa ser identificado. A classe é determinada pelo fato de o pixel estar associado a um recurso de corte nos dados reais ou não. Para fazer essa determinação, os dados reais são primeiro convertidos em contornos OpenCV, que são então usados para separar crop
da non-crop
píxeis. Os valores dos pixels e sua classificação são então usados para treinar o classificador KNN.
Para converter os recursos reais em contornos, os recursos devem primeiro ser projetados no sistema de referência de coordenadas da imagem. Em seguida, os recursos são transformados em espaço de imagem e, finalmente, convertidos em contornos. Para garantir a precisão dos contornos, eles são visualizados sobrepostos à imagem de entrada, conforme exemplo a seguir.
Para treinar o classificador KNN, os pixels cortados e não cortados são separados usando os contornos do recurso de corte como uma máscara.
A entrada do classificador KNN consiste em dois conjuntos de dados: X, uma matriz 2d que fornece os recursos a serem classificados; e y, um array 1d que fornece as classes (exemplo). Aqui, uma única banda classificada é criada a partir dos conjuntos de dados sem corte e de corte, onde os valores da banda indicam a classe de pixel. Os valores da banda e da banda de pixels da imagem subjacente são então convertidos nas entradas X e y para a função de ajuste do classificador.
Treine o classificador em pixels cortados e não cortados
A classificação KNN é realizada com o scikit-learn KNeighboursClassifier. O número de vizinhos, um parâmetro que afeta muito o desempenho do estimador, é ajustado usando validação cruzada na validação cruzada KNN. O classificador é então treinado usando os conjuntos de dados preparados e o número ajustado de parâmetros vizinhos. Veja o seguinte código:
Para avaliar o desempenho do classificador em seus dados de entrada, a classe de pixels é prevista usando os valores da banda de pixels. O desempenho do classificador baseia-se principalmente na precisão dos dados de treinamento e na separação clara das classes de pixels com base nos dados de entrada (valores da banda de pixels). Os parâmetros do classificador, como o número de vizinhos e a função de ponderação de distância, podem ser ajustados para compensar quaisquer imprecisões nesta última. Veja o seguinte código:
Avalie as previsões do modelo
O classificador KNN treinado é utilizado para prever regiões de cultivo nos dados de teste. Esses dados de teste consistem em regiões que não foram expostas ao modelo durante o treinamento. Ou seja, o modelo não possui conhecimento da área antes de sua análise e portanto esses dados podem ser utilizados para avaliar objetivamente o desempenho do modelo. Começamos inspecionando visualmente diversas regiões, começando por uma região que é comparativamente mais barulhenta.
A inspeção visual revela que as classes previstas são em sua maioria consistentes com as classes reais. Existem algumas regiões de desvio, que inspecionamos mais detalhadamente.
Após uma investigação mais aprofundada, descobrimos que parte do ruído nesta região era devido aos dados reais sem os detalhes presentes na imagem classificada (canto superior direito em comparação com canto superior esquerdo e canto inferior esquerdo). Uma descoberta particularmente interessante é que o classificador identifica as árvores ao longo do rio como non-crop
, enquanto os dados reais os identificam erroneamente como crop
. Essa diferença entre essas duas segmentações pode ser devida às árvores que sombreiam a região sobre as lavouras.
Em seguida, inspecionamos outra região que foi classificada de forma diferente entre os dois métodos. Estas regiões destacadas foram anteriormente marcadas como regiões não agrícolas nos dados reais em 2015 (canto superior direito), mas mudaram e foram mostradas claramente como terras agrícolas em 2017 através das cenas do Planetscope (canto superior esquerdo e canto inferior esquerdo). Eles também foram classificados em grande parte como terras agrícolas através do classificador (canto inferior direito).
Novamente, vemos que o classificador KNN apresenta um resultado mais granular do que a classe de verdade e também captura com sucesso as mudanças que acontecem nas terras agrícolas. Este exemplo também mostra o valor dos dados de satélite atualizados diariamente porque o mundo muitas vezes muda muito mais rápido do que os relatórios anuais, e um método combinado com ML como este pode nos ajudar a captar as mudanças à medida que elas acontecem. Ser capaz de monitorizar e descobrir essas mudanças através de dados de satélite, especialmente nos campos agrícolas em evolução, fornece informações úteis aos agricultores para optimizarem o seu trabalho e a qualquer interveniente agrícola na cadeia de valor para ter uma melhor noção da época.
Avaliação de modelo
A comparação visual das imagens das classes previstas com as classes reais pode ser subjetiva e não pode ser generalizada para avaliar a precisão dos resultados da classificação. Para obter uma avaliação quantitativa, obtemos métricas de classificação usando o scikit-learn classification_report
função:
A classificação de pixels é usada para criar uma máscara de segmentação de regiões de corte, tornando a precisão e a recuperação métricas importantes, e a pontuação F1 é uma boa medida geral para prever a precisão. Nossos resultados nos fornecem métricas para regiões com e sem cultivo no conjunto de dados de treinamento e teste. No entanto, para simplificar, vamos examinar mais de perto essas métricas no contexto das regiões de cultivo no conjunto de dados de teste.
A precisão é uma medida de quão precisas são as previsões positivas do nosso modelo. Neste caso, uma precisão de 0.94 para regiões de cultivo indica que o nosso modelo é muito bem-sucedido na identificação correta de áreas que são de fato regiões de cultivo, onde os falsos positivos (regiões reais sem cultivo identificadas incorretamente como regiões de cultivo) são minimizados. Recall, por outro lado, mede a integridade das previsões positivas. Em outras palavras, o recall mede a proporção de positivos reais que foram identificados corretamente. No nosso caso, um valor de recall de 0.73 para regiões de corte significa que 73% de todos os pixels verdadeiros da região de corte são identificados corretamente, minimizando o número de falsos negativos.
Idealmente, são preferidos valores elevados de precisão e de recuperação, embora isto possa depender em grande parte da aplicação do estudo de caso. Por exemplo, se estivéssemos a examinar estes resultados para agricultores que procuram identificar regiões de cultivo para a agricultura, gostaríamos de dar preferência a uma recordação mais elevada do que à precisão, a fim de minimizar o número de falsos negativos (áreas identificadas como regiões não agrícolas que são na verdade regiões de cultivo) para aproveitar ao máximo a terra. A pontuação F1 serve como uma métrica de precisão geral que combina precisão e recall e mede o equilíbrio entre as duas métricas. Uma pontuação F1 alta, como a nossa para regiões de cultivo (0.82), indica um bom equilíbrio entre precisão e recall e uma alta precisão geral de classificação. Embora a pontuação F1 caia entre os conjuntos de dados de treinamento e de teste, isso é esperado porque o classificador foi treinado no conjunto de dados de treinamento. Uma pontuação média ponderada geral F1 de 0.77 é promissora e adequada o suficiente para tentar esquemas de segmentação nos dados classificados.
Crie uma máscara de segmentação do classificador
A criação de uma máscara de segmentação usando as previsões do classificador KNN no conjunto de dados de teste envolve a limpeza da saída prevista para evitar pequenos segmentos causados pelo ruído da imagem. Para remover o ruído speckle, usamos o OpenCV filtro de desfoque mediano. Este filtro preserva melhor as delimitações das estradas entre as culturas do que a operação morfológica aberta.
Para aplicar segmentação binária à saída sem ruído, primeiro precisamos converter os dados raster classificados em recursos vetoriais usando o OpenCV encontrarContornos função.
Finalmente, as regiões de cultivo segmentadas reais podem ser calculadas usando os contornos de cultivo segmentados.
As regiões de cultivo segmentadas produzidas a partir do classificador KNN permitem a identificação precisa das regiões de cultivo no conjunto de dados de teste. Estas regiões segmentadas podem ser utilizadas para vários fins, tais como identificação de limites de campo, monitorização de culturas, estimativa de rendimento e alocação de recursos. A pontuação F1 alcançada de 0.77 é boa e fornece evidências de que o classificador KNN é uma ferramenta eficaz para segmentação de culturas em imagens de sensoriamento remoto. Esses resultados podem ser usados para melhorar e refinar ainda mais as técnicas de segmentação de culturas, levando potencialmente a uma maior precisão e eficiência na análise de culturas.
Conclusão
Esta postagem demonstrou como você pode usar a combinação de do planeta alta cadência, imagens de satélite de alta resolução e Recursos geoespaciais do SageMaker para realizar análises de segmentação de culturas, revelando informações valiosas que podem melhorar a eficiência agrícola, a sustentabilidade ambiental e a segurança alimentar. A identificação precisa das regiões de cultivo permite análises mais aprofundadas sobre o crescimento e a produtividade das culturas, a monitorização das mudanças no uso da terra e a deteção de potenciais riscos de segurança alimentar.
Além disso, a combinação dos dados do Planet e do SageMaker oferece uma ampla gama de casos de uso além da segmentação de culturas. Os insights podem permitir decisões baseadas em dados sobre gestão de culturas, alocação de recursos e planejamento de políticas apenas na agricultura. Com diferentes modelos de dados e ML, a oferta combinada também poderia se expandir para outros setores e casos de uso rumo à transformação digital, à transformação da sustentabilidade e à segurança.
Para começar a usar os recursos geoespaciais do SageMaker, consulte Comece a usar os recursos geoespaciais do Amazon SageMaker.
Para saber mais sobre as especificações de imagens da Planet e materiais de referência para desenvolvedores, visite Centro do Desenvolvedor Planeta. Para documentação sobre o SDK da Planet para Python, consulte Planet SDK para Python. Para obter mais informações sobre a Planet, incluindo seus produtos de dados existentes e futuros lançamentos de produtos, visite https://www.planet.com/.
Declarações prospectivas do Planet Labs PBC
Exceto pelas informações históricas aqui contidas, os assuntos estabelecidos nesta postagem do blog são declarações prospectivas dentro do significado das disposições de “porto seguro” da Lei de Reforma de Litígios de Valores Mobiliários Privados de 1995, incluindo, mas não limitado a, Planet Labs A capacidade da PBC de capturar oportunidades de mercado e realizar qualquer um dos benefícios potenciais de melhorias de produtos atuais ou futuras, novos produtos ou parcerias estratégicas e colaborações com clientes. As declarações prospectivas são baseadas nas crenças da administração do Planet Labs PBC, bem como nas suposições feitas e nas informações atualmente disponíveis para eles. Como tais declarações são baseadas em expectativas quanto a eventos e resultados futuros e não são declarações de fatos, os resultados reais podem diferir materialmente daqueles projetados. Os fatores que podem fazer com que os resultados reais sejam materialmente diferentes das expectativas atuais incluem, mas não estão limitados a, fatores de risco e outras divulgações sobre o Planet Labs PBC e seus negócios incluídos nos relatórios periódicos, declarações de procuração e outros materiais de divulgação arquivados de tempos em tempos do Planet Labs PBC. ao mesmo tempo com a Securities and Exchange Commission (SEC), que estão disponíveis on-line em www.sec.gove no site do Planet Labs PBC em www.planet.com. Todas as declarações prospectivas refletem as crenças e suposições da Planet Labs PBC somente na data em que tais declarações foram feitas. Planet Labs PBC não assume nenhuma obrigação de atualizar declarações prospectivas para refletir eventos ou circunstâncias futuras.
Sobre os autores
Lydia LihuiZhang é especialista em desenvolvimento de negócios no Planet Labs PBC, onde ajuda a conectar o espaço para a melhoria da Terra em vários setores e em uma infinidade de casos de uso. Anteriormente, ela foi cientista de dados na McKinsey ACRE, uma solução focada na agricultura. Ela possui mestrado em Ciências pelo Programa de Política Tecnológica do MIT, com foco em política espacial. Os dados geoespaciais e seu impacto mais amplo nos negócios e na sustentabilidade têm sido o foco de sua carreira.
Mansi Xá é engenheiro de software, cientista de dados e músico cujo trabalho explora os espaços onde o rigor artístico e a curiosidade técnica colidem. Ela acredita que os dados (como a arte!) imitam a vida e está interessada nas histórias profundamente humanas por trás dos números e das notas.
Xiongzhou é Cientista Aplicado Sênior na AWS. Ele lidera a equipe científica de recursos geoespaciais do Amazon SageMaker. Sua área atual de pesquisa inclui visão computacional e treinamento de modelos eficientes. Nas horas vagas, ele gosta de correr, jogar basquete e ficar com a família.
Janosch Woschitz é arquiteto de soluções sênior na AWS, especializado em IA/ML geoespacial. Com mais de 15 anos de experiência, ele apoia clientes em todo o mundo no aproveitamento de IA e ML para soluções inovadoras que capitalizam dados geoespaciais. Sua experiência abrange aprendizado de máquina, engenharia de dados e sistemas distribuídos escaláveis, complementada por uma sólida experiência em engenharia de software e experiência no setor em domínios complexos, como direção autônoma.
Shital Dhakal é gerente de programa sênior da equipe de ML geoespacial SageMaker com sede na área da baía de São Francisco. Ele tem experiência em sensoriamento remoto e Sistema de Informação Geográfica (GIS). Ele é apaixonado por entender os pontos problemáticos dos clientes e construir produtos geoespaciais para resolvê-los. Nas horas vagas, ele gosta de fazer caminhadas, viajar e jogar tênis.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 10
- 100
- 14
- 15 anos
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- habilidade
- Capaz
- Sobre
- acelerar
- Acesso
- precisão
- preciso
- exatamente
- alcançado
- adquirido
- Acre
- em
- Aja
- ações
- real
- adaptação
- Ajustado
- afetar
- afetando
- Depois de
- Agrícola
- agricultura
- AI
- AI / ML
- Todos os Produtos
- alocação
- permitir
- Permitindo
- sozinho
- juntamente
- tb
- Apesar
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geoespacial
- Estúdio Amazon SageMaker
- Amazon Web Services
- an
- análise
- analisar
- e
- anual
- Outro
- qualquer
- qualquer lugar
- APIs
- Aplicação
- aplicações
- aplicado
- Aplicar
- arquivo
- SOMOS
- ÁREA
- áreas
- Ordem
- artístico
- AS
- pergunta
- avaliar
- Avaliando
- avaliação
- ativo
- auxiliar
- associado
- suposições
- At
- aumentado
- Autônomo
- disponibilidade
- disponível
- média
- evitar
- aguardam
- AWS
- em caminho duplo
- fundo
- Equilíbrio
- BANDA
- da banda
- Barra
- baseado
- base
- Basquetebol
- Bay
- BE
- Porque
- sido
- Começo
- atrás
- ser
- crenças
- acredita
- Benefícios
- Melhor
- Melhoramento
- entre
- Pós
- Blog
- Azul
- borrão
- ambos
- Inferior
- limites
- limite
- PONTE
- trazer
- mais amplo
- construir
- Prédio
- construídas em
- Pacotes
- negócio
- desenvolvimento de negócios
- mas a
- by
- CA
- Califórnia
- CAN
- capacidades
- capitalizar
- capturar
- capturas
- Oportunidades
- casas
- estudo de caso
- casos
- Causar
- causado
- certo
- cadeia
- alterar
- mudado
- Alterações
- características
- circunstâncias
- classe
- aulas
- classificação
- classificado
- Limpeza
- remover filtragem
- claramente
- CLF
- cliente
- Clima
- Das Alterações Climáticas
- mais próximo
- Na nuvem
- código
- colaborações
- coleção
- Colidir
- COM
- combinação
- combinado
- combinando
- como
- vem
- de referência
- comum
- geralmente
- Empresa
- comparativamente
- comparar
- comparado
- comparação
- integrações
- computador
- Visão de Computador
- Conduzir
- Contato
- consistente
- consiste
- contida
- contém
- contexto
- continua
- converter
- convertido
- coordenar
- núcleo
- corrigida
- Correspondente
- poderia
- condado
- cobrir
- cobertura
- cobertura
- crio
- criado
- Criar
- criação
- critérios
- colheita
- culturas
- curiosidade
- Atual
- Atualmente
- cliente
- Clientes
- diariamente
- dados,
- cientista de dados
- orientado por dados
- conjuntos de dados
- Data
- decisões
- mais profunda
- definir
- definido
- demonstraram
- dependente
- implantar
- Derivado
- desejado
- destruído
- detalhe
- Detecção
- determinação
- determinado
- desenvolvido
- Developer
- desenvolvedores
- Desenvolvimento
- desvio
- diferir
- diferença
- diferente
- digital
- Transformação Digital
- diretamente
- desastre
- divulgação
- descobrir
- descoberto
- discutir
- distância
- distribuído
- Sistemas distribuídos
- distribuição
- documentação
- domínios
- pomba
- download
- de downloads
- distância
- condução
- Drops
- dois
- durante
- cada
- Mais cedo
- terra
- facilmente
- fácil
- Eficaz
- eficiência
- eficiente
- eficientemente
- esforços
- ou
- autorizar
- permitir
- permite
- engenheiro
- Engenharia
- Engenheiros
- Melhorias
- suficiente
- enriquecer
- garantir
- Meio Ambiente
- ambiental
- Sustentabilidade Ambiental
- ambientes
- especialmente
- avaliar
- Evento
- eventos
- evidência
- evolução
- Examinando
- exemplo
- exchange
- existente
- Expandir
- expectativas
- esperado
- vasta experiência
- experiência
- explorar
- explora
- exposto
- f1
- fato
- fatores
- falso
- família
- agricultores
- agricultura
- mais rápido
- Característica
- Funcionalidades
- Fevereiro
- fertilizante
- poucos
- campo
- Campos
- Envie o
- arquivada
- filtro
- Finalmente
- Encontre
- descoberta
- fiona
- Primeiro nome
- caber
- ANIMARIS
- flexível
- inundação
- Foco
- focando
- seguinte
- comida
- Escolha
- adiante
- voltado para o futuro
- Foundation
- Francisco
- da
- função
- mais distante
- futuro
- ganhando
- lacuna
- geográfico
- ML geoespacial
- ter
- OFERTE
- dado
- Global
- Globalmente
- Bom estado, com sinais de uso
- gráficos
- grandemente
- Verde
- Solo
- Crescente
- Growth
- Locatário
- Visitante Mensagem
- mão
- acontecer
- Acontecimento
- Ter
- ter
- he
- Saúde
- ajudar
- útil
- ajuda
- sua experiência
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- aqui em
- Alta
- Alta frequência
- de alta resolução
- superior
- Destaque
- sua
- histórico
- detém
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- http
- HTTPS
- humano
- i
- ID
- identificação
- identificado
- identifica
- identificar
- identificar
- if
- imagem
- imagens
- imenso
- Impacto
- importante
- melhorar
- melhora
- melhorar
- in
- Em outra
- incluir
- incluído
- inclui
- Incluindo
- incorporar
- incorretamente
- aumentou
- aumentando
- de fato
- índice
- indicam
- indicam
- indústrias
- indústria
- INFORMAÇÕES
- inovadores
- entrada
- inputs
- insights
- inspirado
- instalar
- instalado
- interativo
- interesse
- interessado
- interessante
- Interface
- para dentro
- investigação
- IT
- ESTÁ
- Jennifer
- jpg
- Junho
- Guarda
- Conjunto (SDK)
- Conhecimento
- kyle
- Laboratório
- Terreno
- grande
- em grande escala
- largamente
- Atrasado
- lançamento
- lançado
- conduzir
- principal
- Leads
- APRENDER
- aprendizagem
- esquerda
- aproveitando
- bibliotecas
- vida
- como
- Limitado
- Line
- Lista
- Litígio
- localizado
- olhar
- procurando
- máquina
- aprendizado de máquina
- Macro
- moldadas
- principalmente
- fazer
- Fazendo
- gerencia
- de grupos
- Gerente
- muitos
- mapa,
- marcado
- mercado
- máscara
- dominar
- correspondente
- materialmente
- materiais
- Matéria
- máximo
- Posso..
- McKinsey
- significado
- significa
- a medida
- medidas
- medição
- metadados
- método
- métodos
- métrico
- Métrica
- minimizando
- MIT
- mitigando
- ML
- modelo
- modelos
- Monitore
- monitoração
- mais
- a maioria
- na maioria das vezes
- muito
- múltiplo
- Músico
- devo
- miríade
- natural
- você merece...
- necessário
- Cria
- negativos
- vizinhos
- Novo
- novos produtos
- não
- Ruído
- caderno
- Notas
- número
- números
- numeroso
- objetivamente
- obrigação
- observar
- obter
- Outubro
- of
- oferecendo treinamento para distância
- Oferece
- frequentemente
- on
- online
- só
- aberto
- OpenCV
- operação
- Oportunidade
- Otimize
- or
- ordem
- ordens
- organizações
- originalmente
- Outros
- A Nossa
- nosso
- contornos
- saída
- Acima de
- global
- próprio
- Dor
- parâmetro
- parâmetros
- particular
- particularmente
- Google Cloud
- parcerias
- apaixonado
- padrões
- Realizar
- atuação
- realizada
- periodicamente
- físico
- escolher
- pixels
- avião
- planejamento
- platão
- Inteligência de Dados Platão
- PlatãoData
- jogar
- pontos
- Privacidade
- positivo
- possível
- Publique
- potencial
- potencialmente
- poder
- poderoso
- práticas
- preciso
- Precisão
- predizer
- previsto
- prevendo
- Previsões
- preferido
- Preparar
- preparado
- presente
- presentes
- visualização
- anteriormente
- principalmente
- primário
- Prévio
- Priorizar
- privado
- Problema
- processo
- Processado
- em processamento
- Produzido
- Produto
- produtividade
- Produtos
- profundamente
- Agenda
- projetado
- promissor
- proporção
- fornecer
- fornecido
- fornece
- procuração
- publicamente
- pulso
- fins
- Python
- quantitativo
- Links
- rapidamente
- alcance
- perceber
- Vermelho
- redução
- refinar
- refletir
- Reforma
- região
- regiões
- Releases
- relevante
- alívio
- remoto
- remover
- Relatórios
- Relatórios
- representante
- solicitar
- pesquisa
- recurso
- Recursos
- resultar
- Resultados
- retorno
- revelar
- revela
- Rico
- certo
- Risco
- fatores de risco
- riscos
- Rio
- estrada
- Execute
- corrida
- Sacramento
- sábio
- mesmo
- San
- San Francisco
- satélite
- satélites
- escalável
- cena
- Cenas
- esquemas
- Ciência
- Cientista
- cientistas
- scikit-learn
- Ponto
- Sdk
- Pesquisar
- Épocas
- SEC
- Setores
- Valores mobiliários
- Securities and Exchange Commission
- segurança
- riscos de segurança
- Vejo
- segmentação
- segmentos
- selecionado
- doadores,
- senior
- separado
- serve
- Serviços
- conjunto
- Conjuntos
- resolver
- vários
- ela
- mostrar
- mostrando
- semelhante
- simples
- desde
- solteiro
- Tamanho
- pequeno
- Software
- desenvolvimento de software
- kit de desenvolvimento de software
- Engenheiro de Software
- Engenharia de software
- solo
- solução
- Soluções
- RESOLVER
- alguns
- fonte
- Fontes
- Espaço
- espaços
- vãos
- Espacial
- fala
- especialista
- especializando
- especificação
- especificações
- Espectral
- Passar
- partes interessadas
- partes interessadas
- começo
- começado
- Estado
- declarações
- Status
- Passo
- Histórias
- Estratégico
- Parcerias estratégicas
- estratégias
- estresse
- mais forte,
- estudo
- Estudo
- Inscreva-se
- bem sucedido
- entraram com sucesso
- tal
- ajuda
- suportes
- superfície
- Vistorias
- Sustentabilidade
- sustentável
- .
- sistemas
- Tire
- tomado
- tomar
- Profissionais
- Dados Técnicos:
- técnicas
- Tecnologia
- teste
- vontade
- ensaio
- do que
- que
- A
- A área
- O Estado
- o mundo
- deles
- Eles
- então
- Lá.
- assim sendo
- Este
- deles
- coisas
- isto
- aqueles
- Através da
- tempo
- vezes
- para
- ferramenta
- ferramentas
- topo
- para
- pista
- Trem
- treinado
- Training
- Transformar
- Transformação
- transformado
- Viagens
- Árvores
- Tendências
- verdadeiro
- Verdade
- tentar
- dois
- tipo
- subjacente
- compreensão
- compromete-se
- Desbloqueio
- até
- os próximos
- Atualizar
- us
- usar
- usava
- usuários
- usos
- utilização
- geralmente
- utilizado
- Valioso
- valor
- Valores
- vário
- Grande
- muito
- via
- visão
- Visite a
- visualização
- visualmente
- volume
- Vulnerável
- esperar
- queremos
- foi
- Desperdício
- Água
- we
- web
- serviços web
- Site
- BEM
- foram
- enquanto que
- se
- qual
- enquanto
- QUEM
- de quem
- Largo
- Ampla variedade
- de
- dentro
- sem
- palavras
- Atividades:
- de gestão de documentos
- fluxos de trabalho
- trabalhar
- mundo
- seria
- escrito
- X
- ano
- anos
- Produção
- Vocês
- zefirnet
- zoom