Această postare pentru invitați este co-scrisă de Lydia Lihui Zhang, specialist în dezvoltare de afaceri și Mansi Shah, inginer software/scientist de date, la Planet Labs. The analiza care a inspirat această postare a fost scrisă inițial de Jennifer Reiber Kyle.
Capacitățile geospațiale Amazon SageMaker combinate cu PlanetăDatele satelitare ale lui pot fi utilizate pentru segmentarea culturilor și există numeroase aplicații și beneficii potențiale ale acestei analize în domeniile agriculturii și durabilității. La sfârșitul anului 2023, Planeta a anunțat un parteneriat cu AWS pentru a-și pune la dispoziție datele geospațiale prin Amazon SageMaker.
Segmentarea trunchiului este procesul de împărțire a unei imagini din satelit în regiuni de pixeli sau segmente care au caracteristici de decupare similare. În această postare, ilustrăm cum să folosiți un model de învățare automată de segmentare (ML) pentru a identifica regiunile decupate și non-decupate dintr-o imagine.
Identificarea regiunilor de cultură este un pas esențial către obținerea de cunoștințe agricole, iar combinația de date geospațiale bogate și ML poate duce la perspective care conduc la decizii și acțiuni. De exemplu:
- Luarea deciziilor agricole bazate pe date – Obținând o mai bună înțelegere spațială a culturilor, fermierii și alte părți interesate din agricultură pot optimiza utilizarea resurselor, de la apă la îngrășăminte și alte substanțe chimice pe tot parcursul sezonului. Aceasta pune bazele pentru reducerea deșeurilor, îmbunătățirea practicilor agricole durabile ori de câte ori este posibil și creșterea productivității, minimizând în același timp impactul asupra mediului.
- Identificarea tensiunilor și tendințelor legate de climă – Pe măsură ce schimbările climatice continuă să afecteze temperatura globală și modelele de precipitații, segmentarea culturilor poate fi utilizată pentru a identifica zonele care sunt vulnerabile la stresul legat de climă pentru strategiile de adaptare la climă. De exemplu, arhivele de imagini din satelit pot fi folosite pentru a urmări schimbările într-o regiune de cultură în timp. Acestea ar putea fi modificările fizice ale dimensiunii și distribuției terenurilor cultivate. Acestea ar putea fi, de asemenea, modificări ale umidității solului, temperaturii solului și biomasei, derivate din indicele spectral diferit al datelor satelitare, pentru o analiză mai profundă a sănătății culturilor.
- Evaluarea și atenuarea daunelor – În cele din urmă, segmentarea culturilor poate fi utilizată pentru a identifica rapid și precis zonele de deteriorare a culturilor în cazul unui dezastru natural, ceea ce poate ajuta la prioritizarea eforturilor de ajutorare. De exemplu, după o inundație, imaginile prin satelit de mare cadență pot fi folosite pentru a identifica zonele în care culturile au fost scufundate sau distruse, permițând organizațiilor de ajutor să asiste mai rapid fermierii afectați.
În această analiză, folosim un model K-nearest neighbors (KNN) pentru a efectua segmentarea culturilor și comparăm aceste rezultate cu imaginile adevărului de la sol pe o regiune agricolă. Rezultatele noastre dezvăluie că clasificarea din modelul KNN este mai precis reprezentativă pentru starea câmpului de cultură actual în 2017 decât datele de clasificare a adevărului de la sol din 2015. Aceste rezultate sunt o mărturie a puterii imaginilor geospațiale cu cadență mare a Planetei. Câmpurile agricole se schimbă des, uneori de mai multe ori pe sezon, iar având la dispoziție imagini prin satelit de înaltă frecvență pentru a observa și analiza acest teren poate oferi o valoare imensă înțelegerii noastre despre terenurile agricole și mediile în schimbare rapidă.
Parteneriatul Planet și AWS privind ML geospațial
Capacitățile geospațiale SageMaker împuterniciți oamenii de știință de date și inginerii ML să construiască, să antreneze și să implementeze modele folosind date geospațiale. Capacitățile geospațiale SageMaker vă permit să transformați sau să îmbogățiți eficient seturi de date geospațiale la scară largă, să accelerați construirea de modele cu modele ML pregătite în prealabil și să explorați predicțiile modelului și datele geospațiale pe o hartă interactivă folosind grafică accelerată 3D și instrumente de vizualizare încorporate. Cu capabilitățile geospațiale SageMaker, puteți procesa seturi mari de date de imagini din satelit și alte date geospațiale pentru a crea modele ML precise pentru diverse aplicații, inclusiv segmentarea culturilor, despre care discutăm în această postare.
Planet Labs PBC este o companie lider de imagistică a Pământului care își folosește flota mare de sateliți pentru a captura imagini ale suprafeței Pământului în fiecare zi. Datele planetei sunt, prin urmare, o resursă valoroasă pentru ML geospațial. Imaginile din satelit de înaltă rezoluție pot fi folosite pentru a identifica diferite caracteristici ale culturilor și starea lor de sănătate în timp, oriunde pe Pământ.
Parteneriatul dintre Planet și SageMaker permite clienților să acceseze și să analizeze cu ușurință datele satelitare de înaltă frecvență ale Planet, folosind instrumentele puternice ML ale AWS. Oamenii de știință de date își pot aduce propriile date sau pot găsi și să se aboneze convenabil la datele Planet fără a schimba mediul.
Decupați segmentarea într-un notebook Amazon SageMaker Studio cu o imagine geospațială
În acest exemplu de flux de lucru ML geospațial, ne uităm la cum să aducem datele Planet împreună cu sursa de date a adevărului de la sol în SageMaker și cum să antrenăm, să deducem și să implementăm un model de segmentare a culturilor cu un clasificator KNN. În cele din urmă, evaluăm acuratețea rezultatelor noastre și comparăm aceasta cu clasificarea noastră de bază.
Clasificatorul KNN utilizat a fost antrenat într-un Blocnotes Amazon SageMaker Studio cu un geospațial imagine și oferă un nucleu de notebook flexibil și extensibil pentru lucrul cu date geospațiale.
Amazon SageMaker Studio notebook-ul cu imagine geospațială vine preinstalat cu biblioteci geospațiale utilizate în mod obișnuit, cum ar fi GDAL, Fiona, GeoPandas, Shapely și Rasterio, care permit vizualizarea și procesarea datelor geospațiale direct într-un mediu de notebook Python. Bibliotecile ML obișnuite, cum ar fi OpenCV sau scikit-learn sunt, de asemenea, folosite pentru a efectua segmentarea culturilor folosind clasificarea KNN și acestea sunt, de asemenea, instalate în nucleul geospațial.
Selectarea datelor
Câmpul agricol pe care îl facem zoom este situat în comitatul Sacramento, de obicei însorit, din California.
De ce Sacramento? Selecția zonei și a timpului pentru acest tip de problemă este definită în primul rând de disponibilitatea datelor adevărului de la sol, iar astfel de date în datele privind tipul de cultură și datele limită nu sunt ușor de găsit. The Setul de date pentru sondajul DWR privind utilizarea terenurilor din județul Sacramento din 2015 este un set de date disponibil public care acoperă județul Sacramento în acel an și oferă limite ajustate manual.
Imaginile primare din satelit pe care le folosim sunt cele 4 benzi ale Planetei Produs PSScene, care conține benzile Albastru, Verde, Roșu și Near-IR și este corectat radiometric la radiația senzorului. Coeficienții pentru corectarea reflectanței la senzor sunt furnizați în metadatele scenei, ceea ce îmbunătățește și mai mult consistența dintre imaginile realizate la momente diferite.
Sateliții Planet's Dove care au produs aceste imagini au fost lansati pe 14 februarie 2017 (comunicat de presă), prin urmare, nu și-au imaginat județul Sacramento în 2015. Cu toate acestea, au făcut imagini zilnice ale zonei de la lansare. În acest exemplu, ne mulțumim cu decalajul imperfect de 2 ani dintre datele adevărului de la sol și imaginile din satelit. Cu toate acestea, imaginile Landsat 8 cu rezoluție mai mică ar fi putut fi folosite ca punte între 2015 și 2017.
Accesați datele Planet
Pentru a ajuta utilizatorii să obțină mai rapid date precise și acționabile, Planet a dezvoltat și Kitul de dezvoltare software (SDK) Planet pentru Python. Acesta este un instrument puternic pentru oamenii de știință de date și dezvoltatorii care doresc să lucreze cu imagini din satelit și alte date geospațiale. Cu acest SDK, puteți căuta și accesa vasta colecție Planet de imagini din satelit de înaltă rezoluție, precum și date din alte surse precum OpenStreetMap. SDK-ul oferă un client Python pentru API-urile Planet, precum și o soluție de interfață de linie de comandă (CLI) fără cod, facilitând încorporarea imaginilor din satelit și a datelor geospațiale în fluxurile de lucru Python. Acest exemplu folosește clientul Python pentru a identifica și descărca imaginile necesare analizei.
Puteți instala clientul Planet Python în blocnotesul SageMaker Studio cu imagine geospațială folosind o comandă simplă:
Puteți utiliza clientul pentru a interoga imagini din satelit relevante și pentru a prelua o listă de rezultate disponibile pe baza zonei de interes, interval de timp și alte criterii de căutare. În exemplul următor, începem prin a întreba câți Scene PlanetScope (Imaginile zilnice ale Planetei) acoperă aceeași zonă de interes (AOI) pe care am definit-o mai devreme prin datele de la sol din Sacramento, având în vedere un anumit interval de timp între 1 iunie și 1 octombrie 2017; precum și un anumit interval de acoperire maximă dorită în nor de 10%:
Rezultatele returnate arată numărul de scene care se potrivesc care se suprapun cu zona noastră de interes. De asemenea, conține metadatele fiecărei scene, ID-ul imaginii sale și o referință pentru imaginea de previzualizare.
După ce o anumită scenă a fost selectată, cu specificații pe ID-ul scenei, tipul de articol și pachetele de produse (documentație de referință), puteți folosi următorul cod pentru a descărca imaginea și metadatele acesteia:
Acest cod descarcă imaginea din satelit corespunzătoare în Sistem de fișiere elastice Amazon (Amazon EFS) volum pentru SageMaker Studio.
Antrenamentul modelului
După ce datele au fost descărcate cu clientul Planet Python, modelul de segmentare poate fi antrenat. În acest exemplu, o combinație de tehnici de clasificare KNN și de segmentare a imaginii este utilizată pentru a identifica zona de decupare și pentru a crea caracteristici geojson georeferențiate.
Datele Planet sunt încărcate și preprocesate folosind bibliotecile și instrumentele geospațiale încorporate în SageMaker pentru a le pregăti pentru antrenarea clasificatorului KNN. Datele de adevăr de la sol pentru antrenament sunt setul de date DWR Survey din județul Sacramento din 2015, iar datele Planet din 2017 sunt folosite pentru testarea modelului.
Transformați caracteristicile adevărului terenului în contururi
Pentru a antrena clasificatorul KNN, clasa fiecărui pixel ca fie crop
or non-crop
trebuie identificată. Clasa este determinată de dacă pixelul este asociat cu o caracteristică de decupare în datele de adevăr de la sol sau nu. Pentru a face această determinare, datele adevărului de la sol sunt mai întâi convertite în contururi OpenCV, care sunt apoi folosite pentru a separa crop
din non-crop
pixeli. Valorile pixelilor și clasificarea lor sunt apoi folosite pentru a antrena clasificatorul KNN.
Pentru a converti caracteristicile adevărului de la sol în contururi, caracteristicile trebuie mai întâi proiectate la sistemul de referință de coordonate al imaginii. Apoi, caracteristicile sunt transformate în spațiu de imagine și în cele din urmă transformate în contururi. Pentru a asigura acuratețea contururilor, acestea sunt vizualizate suprapuse pe imaginea de intrare, așa cum se arată în exemplul următor.
Pentru a antrena clasificatorul KNN, pixelii tăiați și nedecupați sunt separați folosind contururile caracteristicii de decupare ca mască.
Intrarea clasificatorului KNN constă din două seturi de date: X, o matrice 2d care oferă caracteristicile pe care trebuie clasificate; și y, o matrice 1d care oferă clasele (exemplu). Aici, o singură bandă clasificată este creată din seturile de date non-crop și crop, unde valorile benzii indică clasa de pixeli. Valorile benzii și a benzii de pixeli ale imaginii de bază sunt apoi convertite în intrările X și y pentru funcția de potrivire a clasificatorului.
Antrenați clasificatorul pe pixeli decupați și non-decupați
Clasificarea KNN se realizează cu scikit-learn KNeighborsClassifier. Numărul de vecini, un parametru care afectează foarte mult performanța estimatorului, este reglat folosind validarea încrucișată în validarea încrucișată KNN. Clasificatorul este apoi antrenat utilizând seturile de date pregătite și numărul reglat de parametri vecini. Vezi următorul cod:
Pentru a evalua performanța clasificatorului cu privire la datele sale de intrare, clasa de pixeli este prezisă folosind valorile benzii de pixeli. Performanța clasificatorului se bazează în principal pe acuratețea datelor de antrenament și pe separarea clară a claselor de pixeli pe baza datelor de intrare (valorile benzii de pixeli). Parametrii clasificatorului, cum ar fi numărul de vecini și funcția de ponderare a distanței, pot fi ajustați pentru a compensa eventualele inexactități ale acestuia din urmă. Vezi următorul cod:
Evaluați predicțiile modelului
Clasificatorul KNN antrenat este utilizat pentru a prezice regiunile de cultură în datele de testare. Aceste date de testare constau din regiuni care nu au fost expuse modelului în timpul antrenamentului. Cu alte cuvinte, modelul nu cunoaște zona înainte de analiza sa și, prin urmare, aceste date pot fi folosite pentru a evalua obiectiv performanța modelului. Începem prin a inspecta vizual mai multe regiuni, începând cu o regiune care este comparativ mai zgomotoasă.
Inspecția vizuală arată că clasele prezise sunt în cea mai mare parte în concordanță cu clasele de adevăr de bază. Există câteva regiuni de abatere, pe care le inspectăm în continuare.
În urma investigațiilor ulterioare, am descoperit că o parte din zgomotul din această regiune s-a datorat datelor adevărului de la sol care nu au detaliile prezente în imaginea clasificată (dreapta sus în comparație cu stânga sus și stânga jos). O constatare deosebit de interesantă este că clasificatorul identifică copacii de-a lungul râului ca non-crop
, în timp ce datele adevărului de bază le identifică în mod eronat ca crop
. Această diferență între aceste două segmentări se poate datora copacilor care umbră regiunea peste culturi.
În continuare, inspectăm o altă regiune care a fost clasificată diferit între cele două metode. Aceste regiuni evidențiate au fost marcate anterior ca regiuni fără cultură în datele adevărului de la sol în 2015 (dreapta sus), dar s-au schimbat și au fost arătate clar ca teren cultivat în 2017 prin Scenele Planetscope (stânga sus și stânga jos). Ele au fost, de asemenea, clasificate în mare parte ca terenuri de cultură prin clasificator (dreapta jos).
Din nou, vedem că clasificatorul KNN prezintă un rezultat mai granular decât clasa de adevăr la sol și, de asemenea, surprinde cu succes schimbarea care are loc în terenul cultivat. Acest exemplu vorbește, de asemenea, despre valoarea datelor din satelit actualizate zilnic, deoarece lumea se schimbă adesea mult mai repede decât rapoartele anuale, iar o metodă combinată cu ML ca aceasta ne poate ajuta să recunoaștem schimbările pe măsură ce se întâmplă. Capacitatea de a monitoriza și descoperi astfel de schimbări prin intermediul datelor satelitare, în special în domeniile agricole în evoluție, oferă informații utile fermierilor pentru a-și optimiza munca și oricărei părți interesate din agricultură din lanțul valoric pentru a obține un puls mai bun al sezonului.
Evaluarea modelului
Comparația vizuală a imaginilor claselor prezise cu clasele de adevăr de bază poate fi subiectivă și nu poate fi generalizată pentru a evalua acuratețea rezultatelor clasificării. Pentru a obține o evaluare cantitativă, obținem metrici de clasificare folosind scikit-learn's classification_report
funcţie:
Clasificarea pixelilor este folosită pentru a crea o mască de segmentare a regiunilor decupate, făcând atât precizia, cât și reamintirea unor valori importante, iar scorul F1 o măsură generală bună pentru prezicerea acurateței. Rezultatele noastre ne oferă valori atât pentru regiunile cultivate, cât și pentru cele non-recolte din setul de date tren și de testare. Cu toate acestea, pentru a menține lucrurile simple, să aruncăm o privire mai atentă la aceste valori în contextul regiunilor de cultură din setul de date de testare.
Precizia este o măsură a cât de precise sunt predicțiile pozitive ale modelului nostru. În acest caz, o precizie de 0.94 pentru regiunile de cultură indică faptul că modelul nostru are foarte mult succes în identificarea corectă a zonelor care sunt într-adevăr regiuni de cultură, unde pozitive false (regiunile reale non-culturi identificate incorect ca regiuni de cultură) sunt minimizate. Recall, pe de altă parte, măsoară caracterul complet al predicțiilor pozitive. Cu alte cuvinte, rechemarea măsoară proporția de pozitive reale care au fost identificate corect. În cazul nostru, o valoare de retragere de 0.73 pentru regiunile decupate înseamnă că 73% din toți pixelii adevărați ai regiunii de decupare sunt identificați corect, minimizând numărul de negative false.
În mod ideal, sunt preferate valori mari atât ale preciziei, cât și ale reamintirii, deși acest lucru poate depinde în mare măsură de aplicarea studiului de caz. De exemplu, dacă am examina aceste rezultate pentru fermierii care doresc să identifice regiunile de cultură pentru agricultură, am dori să acordăm preferință unei retrageri mai mari decât preciziei, pentru a minimiza numărul de fals negative (suprafețele identificate ca regiuni necultivate care sunt de fapt regiuni de cultură) pentru a valorifica cât mai mult terenul. Scorul F1 servește ca o măsurătoare de acuratețe generală care combină atât precizia, cât și reamintirea și măsoară echilibrul dintre cele două valori. Un scor F1 ridicat, precum cel al nostru pentru regiunile de cultură (0.82), indică un echilibru bun între precizie și reamintire și o acuratețe generală ridicată a clasificării. Deși scorul F1 scade între seturile de date tren și test, acest lucru este de așteptat deoarece clasificatorul a fost antrenat pe setul de date tren. Un scor mediu ponderat general F1 de 0.77 este promițător și suficient de adecvat pentru a încerca scheme de segmentare pe datele clasificate.
Creați o mască de segmentare din clasificator
Crearea unei măști de segmentare folosind predicțiile din clasificatorul KNN pe setul de date de testare implică curățarea ieșirii prezise pentru a evita segmentele mici cauzate de zgomotul imaginii. Pentru a elimina zgomotul de pete, folosim OpenCV filtru de estompare median. Acest filtru păstrează mai bine delimitările drumului dintre culturi decât operațiunea deschisă morfologică.
Pentru a aplica segmentarea binară la ieșirea eliminată de zgomot, mai întâi trebuie să convertim datele raster clasificate în caracteristici vectoriale folosind OpenCV găsi Contururi Funcția.
În cele din urmă, regiunile efective de cultură segmentate pot fi calculate utilizând contururile de cultură segmentate.
Regiunile de cultură segmentate produse din clasificatorul KNN permit identificarea precisă a regiunilor de cultură în setul de date de testare. Aceste regiuni segmentate pot fi utilizate în diverse scopuri, cum ar fi identificarea limitelor câmpului, monitorizarea culturilor, estimarea randamentului și alocarea resurselor. Scorul F1 atins de 0.77 este bun și oferă dovezi că clasificatorul KNN este un instrument eficient pentru segmentarea culturilor în imaginile de teledetecție. Aceste rezultate pot fi utilizate pentru a îmbunătăți și a perfecționa în continuare tehnicile de segmentare a culturilor, ceea ce poate duce la creșterea preciziei și eficienței în analiza culturilor.
Concluzie
Această postare a demonstrat cum puteți folosi combinația de Al planetei cadență mare, imagini prin satelit de înaltă rezoluție și Capacitățile geospațiale SageMaker pentru a efectua analize de segmentare a culturilor, deblocând informații valoroase care pot îmbunătăți eficiența agriculturii, sustenabilitatea mediului și securitatea alimentară. Identificarea cu acuratețe a regiunilor de cultură permite analiza ulterioară a creșterii și productivității culturilor, monitorizarea schimbărilor în utilizarea terenurilor și detectarea riscurilor potențiale pentru securitatea alimentară.
Mai mult, combinația de date Planet și SageMaker oferă o gamă largă de cazuri de utilizare dincolo de segmentarea culturilor. Perspectivele pot permite decizii bazate pe date cu privire la gestionarea culturilor, alocarea resurselor și planificarea politicilor numai în agricultură. Cu diferite modele de date și ML, oferta combinată s-ar putea extinde și în alte industrii și cazuri de utilizare către transformarea digitală, transformarea sustenabilității și securitatea.
Pentru a începe să utilizați capabilitățile geospațiale SageMaker, consultați Începeți cu capabilitățile geospațiale Amazon SageMaker.
Pentru a afla mai multe despre specificațiile pentru imaginile Planet și despre materialele de referință pentru dezvoltatori, vizitați Centrul pentru dezvoltatori Planet. Pentru documentația despre SDK-ul Planet pentru Python, consultați Planet SDK pentru Python. Pentru mai multe informații despre Planet, inclusiv produsele sale de date existente și lansările viitoare de produse, vizitați https://www.planet.com/.
Declarații prospective PBC Planet Labs
Cu excepția informațiilor istorice conținute aici, aspectele prezentate în această postare de blog sunt declarații prospective în sensul dispozițiilor „port sigur” ale Actului de reformă a litigiilor privind valorile mobiliare private din 1995, inclusiv, dar fără a se limita la, Planet Labs. Capacitatea PBC de a capta oportunitățile de pe piață și de a realiza oricare dintre beneficiile potențiale din îmbunătățirile actuale sau viitoare ale produselor, produse noi sau parteneriate strategice și colaborări cu clienții. Declarațiile prospective se bazează pe convingerile conducerii Planet Labs PBC, precum și pe ipotezele făcute de și pe informațiile disponibile în prezent. Deoarece astfel de declarații se bazează pe așteptări cu privire la evenimente și rezultate viitoare și nu sunt declarații de fapt, rezultatele reale pot diferi semnificativ de cele proiectate. Factorii care pot face ca rezultatele reale să difere semnificativ de așteptările actuale includ, dar nu se limitează la, factorii de risc și alte dezvăluiri despre Planet Labs PBC și afacerile sale incluse în rapoartele periodice ale Planet Labs PBC, declarațiile de proxy și alte materiale de dezvăluire depuse din timp. la timp cu Securities and Exchange Commission (SEC), care sunt disponibile online la www.sec.gov, și pe site-ul web al Planet Labs PBC la www.planet.com. Toate declarațiile prospective reflectă convingerile și ipotezele Planet Labs PBC numai de la data la care aceste declarații sunt făcute. Planet Labs PBC nu își asumă nicio obligație de a actualiza declarațiile prospective pentru a reflecta evenimente sau circumstanțe viitoare.
Despre autori
Lydia Lihui Zhang este specialist în dezvoltare de afaceri la Planet Labs PBC, unde ajută la conectarea spațiului pentru îmbunătățirea pământului în diverse sectoare și într-o multitudine de cazuri de utilizare. Anterior, ea a fost cercetător de date la McKinsey ACRE, o soluție axată pe agricultură. Ea deține un Master în Științe de la Programul de Politică Tehnologică MIT, concentrându-se pe politica spațială. Datele geospațiale și impactul lor mai larg asupra afacerilor și durabilității au fost concentrarea carierei ei.
Mansi Shah este un inginer de software, cercetător de date și muzician a cărui activitate explorează spațiile în care se ciocnesc rigoarea artistică și curiozitatea tehnică. Ea crede că datele (cum ar fi arta!) imită viața și este interesată de poveștile profund umane din spatele numerelor și notelor.
Xiong Zhou este cercetător senior aplicat la AWS. El conduce echipa științifică pentru capabilitățile geospațiale Amazon SageMaker. Domeniul său actual de cercetare include viziunea computerizată și formarea eficientă a modelelor. În timpul liber, îi place să alerge, să joace baschet și să petreacă timpul cu familia.
Janosch Woschitz este arhitect senior de soluții la AWS, specializat în AI/ML geospațial. Cu peste 15 ani de experiență, el sprijină clienții la nivel global în utilizarea AI și ML pentru soluții inovatoare care valorifică datele geospațiale. Experiența sa acoperă învățarea automată, ingineria datelor și sistemele distribuite scalabile, sporită de o experiență solidă în inginerie software și expertiză în industrie în domenii complexe, cum ar fi conducerea autonomă.
Shital Dhakal este un manager de program senior al echipei SageMaker geospatial ML cu sediul în zona golfului San Francisco. Are experiență în teledetecție și Sistem de informații geografice (GIS). Este pasionat de înțelegerea punctelor dureroase ale clienților și de a construi produse geospațiale pentru a le rezolva. În timpul liber, îi place să facă drumeții, să călătorească și să joace tenis.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 10
- 100
- 14
- ani 15
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- capacitate
- Capabil
- Despre Noi
- accelera
- acces
- precizie
- precis
- precis
- realizat
- dobândite
- acru
- peste
- act
- acțiuni
- curent
- de fapt
- adaptare
- Ajustat
- afecta
- care afectează
- După
- Agricol
- agricultură
- AI
- AI / ML
- TOATE
- alocare
- permite
- Permiterea
- singur
- de-a lungul
- de asemenea
- Cu toate ca
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analiză
- analiza
- și
- anual
- O alta
- Orice
- oriunde
- API-uri
- aplicație
- aplicatii
- aplicat
- Aplică
- arhive
- SUNT
- ZONĂ
- domenii
- Mulțime
- artistic
- AS
- solicitând
- evalua
- evaluarea
- evaluare
- activ
- ajuta
- asociate
- ipoteze
- At
- augmented
- autonom
- disponibilitate
- disponibil
- in medie
- evita
- astept
- AWS
- înapoi
- fundal
- Sold
- GRUP
- ale trupei
- bar
- bazat
- bază
- Baschet
- Golf
- BE
- deoarece
- fost
- Început
- în spatele
- fiind
- convingerile
- consideră că
- Beneficiile
- Mai bine
- îmbunătățire
- între
- Dincolo de
- Blog
- Albastru
- estompare
- atât
- De jos
- limitele
- graniţă
- POD
- aduce
- mai larg
- construi
- Clădire
- construit-in
- pachete
- afaceri
- dezvoltarea afacerii
- dar
- by
- CA
- California
- CAN
- capacități
- valorifica
- captura
- capturi
- Carieră
- caz
- studiu de caz
- cazuri
- Provoca
- cauzată
- sigur
- lanţ
- Schimbare
- si-a schimbat hainele;
- Modificări
- Caracteristici
- împrejurări
- clasă
- clase
- clasificare
- clasificate
- Curățenie
- clar
- clar
- CLF
- client
- Climat
- Schimbarea climei
- mai aproape
- Cloud
- cod
- colaborari
- colectare
- Collide
- COM
- combinaţie
- combinate
- combinând
- cum
- vine
- comision
- Comun
- în mod obișnuit
- companie
- comparativ
- comparaţie
- comparație
- comparație
- complex
- calculator
- Computer Vision
- Conduce
- Conectați
- consistent
- constă
- conținute
- conține
- context
- continuă
- converti
- convertit
- coordona
- Nucleu
- corectat
- Corespunzător
- ar putea
- județ
- acoperi
- acoperire
- acoperire
- crea
- a creat
- Crearea
- creaţie
- Criteriile de
- cultură
- culturilor
- curiozitate
- Curent
- În prezent
- client
- clienţii care
- zilnic
- de date
- om de știință de date
- Pe bază de date
- seturi de date
- Data
- Deciziile
- Mai adânc
- defini
- definit
- demonstrat
- Dependent/ă
- implementa
- Derivat
- dorit
- distrus
- detaliu
- Detectare
- determinare
- determinat
- dezvoltat
- Dezvoltator
- Dezvoltatorii
- Dezvoltare
- deviere
- diferi
- diferenţă
- diferit
- digital
- Transformarea digitală
- direct
- dezastru
- dezvăluire
- descoperi
- a descoperit
- discuta
- distanţă
- distribuite
- sisteme distribuite
- distribuire
- documentaţie
- domenii
- porumbel
- Descarca
- download-uri
- conduce
- conducere
- Picături
- două
- în timpul
- fiecare
- Mai devreme
- Pământ
- cu ușurință
- uşor
- Eficace
- eficiență
- eficient
- eficient
- Eforturile
- oricare
- împuternici
- permite
- permite
- inginer
- Inginerie
- inginerii
- îmbunătățiri
- suficient de
- îmbogăți
- asigura
- Mediu inconjurator
- de mediu
- Environmental Sustainability
- medii
- mai ales
- evalua
- eveniment
- evenimente
- dovadă
- evoluție
- examinator
- exemplu
- schimb
- existent
- Extinde
- aşteptări
- de aşteptat
- experienţă
- expertiză
- explora
- Explorează
- expus
- f1
- fapt
- factori
- fals
- familie
- agricultorilor
- agricultură
- mai repede
- Caracteristică
- DESCRIERE
- februarie
- îngrăşământ
- puțini
- camp
- Domenii
- Fișier
- depusă
- filtru
- În cele din urmă
- Găsi
- descoperire
- fiona
- First
- potrivi
- FLOTA
- flexibil
- inundaţie
- Concentra
- concentrându-se
- următor
- alimente
- Pentru
- mai departe
- de perspectivă
- Fundație
- Francisco
- din
- funcţie
- mai mult
- viitor
- câștigă
- decalaj
- geografic
- ML geospațial
- obține
- Da
- dat
- Caritate
- La nivel global
- bine
- grafică
- foarte mult
- Verde
- Teren
- În creştere
- Creștere
- Oaspete
- Vizitator Mesaj
- mână
- întâmpla
- lucru
- Avea
- având în
- he
- Sănătate
- ajutor
- util
- ajută
- ei
- aici
- aici
- Înalt
- Frecventa inalta
- Rezoluție înaltă
- superior
- Evidențiat
- lui
- istoric
- deține
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- uman
- i
- ID
- Identificare
- identificat
- identifică
- identifica
- identificarea
- if
- imagine
- imagini
- imens
- Impactul
- important
- îmbunătăţi
- îmbunătăţeşte
- îmbunătățirea
- in
- În altele
- include
- inclus
- include
- Inclusiv
- incorpora
- în mod incorect
- a crescut
- crescând
- într-adevăr
- index
- indica
- indică
- industrii
- industrie
- informații
- inovatoare
- intrare
- intrări
- perspective
- inspirat
- instala
- instalat
- interactiv
- interes
- interesat
- interesant
- interfaţă
- în
- investigaţie
- IT
- ESTE
- Jennifer
- jpg
- iunie
- A pastra
- Kit (SDK)
- cunoştinţe
- Kyle
- Labs
- Țară
- mare
- pe scară largă
- în mare măsură
- Târziu
- lansa
- a lansat
- conduce
- conducere
- Conduce
- AFLAȚI
- învăţare
- stânga
- efectului de pârghie
- biblioteci
- Viaţă
- ca
- Limitat
- Linie
- Listă
- litigiu
- situat
- Uite
- cautati
- maşină
- masina de învățare
- Macro
- făcut
- mai ales
- face
- Efectuarea
- administra
- administrare
- manager
- multe
- Hartă
- marcat
- Piață
- masca
- maestru
- potrivire
- material
- Materiale
- materie
- maxim
- Mai..
- McKinsey
- sens
- mijloace
- măsura
- măsuri
- măsurare
- Metadata
- metodă
- Metode
- metric
- Metrici
- minimizând
- MIT
- atenuant
- ML
- model
- Modele
- monitor
- Monitorizarea
- mai mult
- cele mai multe
- Mai ales
- mult
- multiplu
- Muzician
- trebuie sa
- imensitate
- Natural
- Nevoie
- necesar
- nevoilor
- negative
- vecini
- Nou
- produse noi
- Nu.
- Zgomot
- caiet
- notițe
- număr
- numere
- numeroși
- obiectiv
- obligaţie
- observa
- obține
- octombrie
- of
- oferind
- promoții
- de multe ori
- on
- on-line
- afară
- deschide
- OpenCV
- operaţie
- Oportunitate
- Optimizați
- or
- comandă
- comenzilor
- organizații
- iniţial
- Altele
- al nostru
- suporta
- contururi
- producție
- peste
- global
- propriu
- Durere
- parametru
- parametrii
- special
- în special
- Asociere
- parteneriate
- pasionat
- modele
- Efectua
- performanță
- efectuată
- periodic
- fizic
- alege
- Pixel
- planetă
- planificare
- Plato
- Informații despre date Platon
- PlatoData
- joc
- puncte
- Politica
- pozitiv
- posibil
- Post
- potenţial
- potenţial
- putere
- puternic
- practicile
- precis
- Precizie
- prezice
- a prezis
- estimarea
- Predictii
- preferat
- Pregăti
- pregătit
- prezenta
- cadouri
- Anunţ
- în prealabil
- în primul rând
- primar
- anterior
- Prioritizarea
- privat
- Problemă
- proces
- Procesat
- prelucrare
- Produs
- Produs
- productivitate
- Produse
- profund
- Program
- proiectat
- promițător
- proporție
- furniza
- prevăzut
- furnizează
- împuternicit
- public
- puls
- scopuri
- Piton
- cantitativ
- Rapid
- repede
- gamă
- realiza
- Roșu
- reducerea
- rafina
- reflecta
- reforma
- regiune
- regiuni
- Lansări
- relief
- la distanta
- scoate
- Raportarea
- Rapoarte
- reprezentant
- solicita
- cercetare
- resursă
- Resurse
- rezultat
- REZULTATE
- reveni
- dezvălui
- dezvaluie
- Bogat
- dreapta
- Risc
- factori de risc
- Riscurile
- Râu
- drum
- Alerga
- funcţionare
- Sacramento
- sagemaker
- acelaşi
- San
- San Francisco
- satelit
- sateliți
- scalabil
- scenă
- scene
- scheme
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- scikit-learn
- scor
- sdk
- Caută
- Sezon
- SEC
- sectoare
- Titluri de valoare
- Securities and Exchange Commission
- securitate
- riscuri de securitate
- vedea
- segmentarea
- segmente
- selectate
- selecţie
- senior
- distinct
- servește
- Servicii
- set
- Seturi
- rezolva
- câteva
- ea
- Arăta
- indicat
- asemănător
- simplu
- întrucât
- singur
- Mărimea
- mic
- Software
- de dezvoltare de software
- kit de dezvoltare software
- Inginer Software
- Inginerie software
- sol
- soluţie
- soluţii
- REZOLVAREA
- unele
- Sursă
- Surse
- Spaţiu
- spații
- se întinde
- spațial
- vorbeşte
- specialist
- specializata
- specificație
- Specificaţii
- Spectral
- Cheltuire
- părțile interesate
- părțile interesate
- Începe
- început
- Stat
- Declarații
- Stare
- Pas
- Istorii
- Strategic
- Parteneriate strategice
- strategii
- stres
- puternic
- studio
- Studiu
- subscrie
- de succes
- Reușit
- astfel de
- a sustine
- Sprijină
- Suprafață
- Sondaj de opinie
- Durabilitate
- durabilă
- sistem
- sisteme
- Lua
- luate
- luare
- echipă
- Tehnic
- tehnici de
- Tehnologia
- test
- testament
- Testarea
- decât
- acea
- Zona
- Statul
- lumea
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- lucruri
- acest
- aceste
- Prin
- timp
- ori
- la
- instrument
- Unelte
- top
- față de
- urmări
- Tren
- dresat
- Pregătire
- Transforma
- Transformare
- transformat
- Traveling
- Copaci
- Tendinţe
- adevărat
- Adevăr
- încerca
- Două
- tip
- care stau la baza
- înţelegere
- se angajează
- deblocare
- până la
- viitoare
- Actualizează
- us
- utilizare
- utilizat
- utilizatorii
- utilizări
- folosind
- obișnuit
- utilizate
- Valoros
- valoare
- Valori
- diverse
- Fixă
- foarte
- de
- viziune
- Vizita
- vizualizare
- vizual
- volum
- vulnerabil
- aștepta
- vrea
- a fost
- Deșeuri
- Apă
- we
- web
- servicii web
- website
- BINE
- au fost
- întrucât
- dacă
- care
- în timp ce
- OMS
- a caror
- larg
- Gamă largă
- cu
- în
- fără
- cuvinte
- Apartamente
- flux de lucru
- fluxuri de lucru
- de lucru
- lume
- ar
- scris
- X
- an
- ani
- Randament
- Tu
- zephyrnet
- zoom