To gostujočo objavo sta skupaj napisali Lydia Lihui Zhang, strokovnjakinja za poslovni razvoj, in Mansi Shah, programski inženir/podatkovni znanstvenik pri Planet Labs. The analizo, ki je navdihnila to objavo je prvotno napisala Jennifer Reiber Kyle.
Geoprostorske zmogljivosti Amazon SageMaker v kombinaciji z PlanetSatelitske podatke podjetja je mogoče uporabiti za segmentacijo pridelkov in obstajajo številne aplikacije in možne koristi te analize na področjih kmetijstva in trajnosti. Konec leta 2023 je Planet napovedal partnerstvo z AWS, da omogoči dostop do svojih geoprostorskih podatkov Amazon SageMaker.
Segmentacija obrezovanja je postopek razdelitve satelitske slike na področja slikovnih pik ali segmentov, ki imajo podobne značilnosti obrezovanja. V tej objavi ponazarjamo, kako uporabiti model segmentacijskega strojnega učenja (ML) za prepoznavanje območij pridelka in območij brez pridelka na sliki.
Prepoznavanje območij pridelave je ključni korak k pridobivanju kmetijskih vpogledov, kombinacija bogatih geoprostorskih podatkov in strojnega učenja pa lahko vodi do vpogledov, ki usmerjajo odločitve in dejanja. Na primer:
- Sprejemanje kmetijskih odločitev na podlagi podatkov – Z boljšim prostorskim razumevanjem pridelkov lahko kmetje in drugi deležniki v kmetijstvu optimizirajo uporabo virov, od vode do gnojil in drugih kemikalij skozi sezono. To postavlja temelje za zmanjševanje odpadkov, izboljšanje trajnostnih kmetijskih praks, kjer je to mogoče, in povečanje produktivnosti ob čim manjšem vplivu na okolje.
- Prepoznavanje stresov in trendov, povezanih s podnebjem – Ker podnebne spremembe še naprej vplivajo na globalno temperaturo in vzorce padavin, se lahko segmentacija posevkov uporabi za identifikacijo območij, ki so občutljiva na stres zaradi podnebja za strategije prilagajanja podnebju. Na primer, arhive satelitskih posnetkov je mogoče uporabiti za sledenje spremembam v pridelovalni regiji skozi čas. To bi lahko bile fizične spremembe v velikosti in porazdelitvi obdelovalnih površin. Lahko bi bile tudi spremembe vlažnosti tal, temperature tal in biomase, ki izhajajo iz različnih spektralnih indeksov satelitskih podatkov, za globljo analizo zdravja pridelka.
- Ocena in omilitev škode – Nazadnje, segmentacijo pridelka je mogoče uporabiti za hitro in natančno identifikacijo območij škode na pridelku v primeru naravne nesreče, kar lahko pomaga pri določanju prioritet pri reševanju. Na primer, po poplavi se lahko satelitske slike z visoko kadenco uporabijo za identifikacijo območij, kjer so bili pridelki potopljeni ali uničeni, kar organizacijam za pomoč omogoči hitrejšo pomoč prizadetim kmetom.
V tej analizi uporabljamo model K-najbližjih sosedov (KNN) za izvedbo segmentacije posevkov in te rezultate primerjamo s posnetki resnične talne slike na kmetijski regiji. Naši rezultati razkrivajo, da je klasifikacija iz modela KNN natančneje reprezentativna za stanje trenutnega posevnega polja v letu 2017 kot podatki o klasifikaciji resnice o tleh iz leta 2015. Ti rezultati so dokaz moči Planetovih geoprostorskih posnetkov z visoko kadenco. Kmetijska polja se pogosto spreminjajo, včasih večkrat na sezono, in če imamo na voljo visokofrekvenčne satelitske posnetke za opazovanje in analizo tega zemljišča, lahko zagotovimo izjemno vrednost za naše razumevanje kmetijskih zemljišč in hitro spreminjajočih se okolij.
Partnerstvo Planeta in AWS na področju geoprostorskega strojnega učenja
Geoprostorske zmogljivosti SageMaker opolnomočiti podatkovne znanstvenike in inženirje ML za izdelavo, usposabljanje in uvajanje modelov z uporabo geoprostorskih podatkov. Geoprostorske zmogljivosti SageMaker vam omogočajo učinkovito preoblikovanje ali obogatitev obsežnih geoprostorskih podatkovnih nizov, pospešitev gradnje modela z vnaprej usposobljenimi modeli ML ter raziskovanje napovedi modela in geoprostorskih podatkov na interaktivnem zemljevidu z uporabo 3D-pospešene grafike in vgrajenih orodij za vizualizacijo. Z geoprostorskimi zmogljivostmi SageMaker lahko obdelujete velike podatkovne nize satelitskih posnetkov in drugih geoprostorskih podatkov, da ustvarite natančne modele ML za različne aplikacije, vključno s segmentacijo posevkov, o kateri razpravljamo v tej objavi.
Planet Labs PBC je vodilno podjetje za slikanje zemlje, ki uporablja svojo veliko floto satelitov za vsakodnevno zajemanje posnetkov zemeljskega površja. Podatki podjetja Planet so zato dragocen vir za geoprostorsko strojno učenje. Njegove satelitske posnetke visoke ločljivosti je mogoče uporabiti za prepoznavanje različnih značilnosti pridelkov in njihovega zdravja skozi čas kjer koli na Zemlji.
Partnerstvo med Planetom in SageMakerjem strankam omogoča enostaven dostop do visokofrekvenčnih satelitskih podatkov Planet in njihovo analizo z uporabo zmogljivih orodij AWS ML. Podatkovni znanstveniki lahko prinesejo svoje podatke ali priročno poiščejo podatke Planeta in se nanje naročijo, ne da bi zamenjali okolje.
Segmentacija pridelka v prenosnem računalniku Amazon SageMaker Studio z geoprostorsko sliko
V tem primeru geoprostorskega poteka dela ML si ogledamo, kako prenesti Planetove podatke skupaj z izvorom podatkov o resničnih podatkih o zemlji v SageMaker in kako usposobiti, sklepati in razmestiti model segmentacije pridelka s klasifikatorjem KNN. Na koncu ocenimo točnost naših rezultatov in jih primerjamo z našo osnovno klasifikacijo resnic.
Uporabljeni klasifikator KNN je bil usposobljen v an Prenosni računalnik Amazon SageMaker Studio z geoprostorskim sliko ter ponuja prilagodljivo in razširljivo jedro prenosnika za delo z geoprostorskimi podatki.
O Amazon SageMaker Studio prenosnik z geoprostorsko sliko ima prednameščene geoprostorske knjižnice, kot so GDAL, Fiona, GeoPandas, Shapely in Rasterio, ki omogočajo vizualizacijo in obdelavo geoprostorskih podatkov neposredno v okolju prenosnika Python. Običajne knjižnice ML, kot sta OpenCV ali scikit-learn, se prav tako uporabljajo za izvajanje segmentacije pridelkov s klasifikacijo KNN in so tudi nameščene v geoprostorskem jedru.
Izbor podatkov
Kmetijska njiva, ki si jo ogledamo, se nahaja v običajno sončnem okrožju Sacramento v Kaliforniji.
Zakaj Sacramento? Izbira območja in časa za to vrsto problema je v prvi vrsti opredeljena z razpoložljivostjo podatkov o resnici na tleh, do takšnih podatkov o vrsti pridelka in podatkih o mejah pa ni lahko priti. The Nabor podatkov DWR o rabi zemljišč okrožja Sacramento 2015 je javno dostopen nabor podatkov, ki pokriva okrožje Sacramento v tem letu in zagotavlja ročno prilagojene meje.
Primarni satelitski posnetki, ki jih uporabljamo, so 4-pasovni posnetki planeta Izdelek PSScene, ki vsebuje modre, zelene, rdeče in bližnje IR pasove ter je radiometrično popravljen na sevanje senzorja. Koeficienti za korekcijo odbojnosti pri senzorju so na voljo v metapodatkih prizora, kar dodatno izboljša skladnost med slikami, posnetimi ob različnih časih.
Sateliti Planet's Dove, ki so ustvarili te posnetke, so bili izstreljeni 14. februarja 2017 (sporočilo za javnost), zato leta 2015 niso posneli okrožja Sacramento. Vendar so od lansiranja dnevno posneli posnetke območja. V tem primeru se zadovoljimo z nepopolno 2-letno vrzeljo med podatki o resnici na tleh in satelitskimi posnetki. Vendar pa bi lahko posnetke Landsat 8 z nižjo ločljivostjo uporabili kot most med letoma 2015 in 2017.
Dostop do podatkov Planet
Za pomoč uporabnikom pri hitrejšem pridobivanju natančnih in uporabnih podatkov je Planet razvil tudi Planet Software Development Kit (SDK) za Python. To je močno orodje za podatkovne znanstvenike in razvijalce, ki želijo delati s satelitskimi posnetki in drugimi geoprostorskimi podatki. S tem SDK-jem lahko iščete in dostopate do Planetove ogromne zbirke satelitskih posnetkov visoke ločljivosti ter podatkov iz drugih virov, kot je OpenStreetMap. SDK ponuja odjemalca Python za API-je družbe Planet, kot tudi rešitev vmesnika ukazne vrstice (CLI) brez kode, kar olajša vključitev satelitskih posnetkov in geoprostorskih podatkov v poteke dela Python. Ta primer uporablja odjemalca Python za prepoznavanje in prenos slik, potrebnih za analizo.
Odjemalca Planet Python lahko namestite v prenosni računalnik SageMaker Studio z geoprostorsko sliko s preprostim ukazom:
Odjemalca lahko uporabite za poizvedovanje po ustreznih satelitskih posnetkih in pridobitev seznama razpoložljivih rezultatov glede na področje zanimanja, časovni razpon in druga iskalna merila. V naslednjem primeru začnemo z vprašanjem, koliko PlanetScope prizori (dnevni posnetki Planeta) pokrivajo isto interesno območje (AOI), ki smo ga opredelili prej prek zemeljskih podatkov v Sacramentu, glede na določen časovni razpon med 1. junijem in 1. oktobrom 2017; kot tudi določen želeni največji obseg pokritosti z oblaki 10 %:
Vrnjeni rezultati prikazujejo število ujemajočih se prizorov, ki se prekrivajo z našim področjem zanimanja. Vsebuje tudi metapodatke vsakega prizora, ID slike in referenco slike za predogled.
Ko je določena scena izbrana, s specifikacijo ID-ja scene, vrste predmeta in paketov izdelkov (referenčno dokumentacijo), lahko uporabite naslednjo kodo za prenos slike in njenih metapodatkov:
Ta koda prenese ustrezno satelitsko sliko v Elastični datotečni sistem Amazon (Amazon EFS) nosilec za SageMaker Studio.
Usposabljanje za modele
Ko so podatki preneseni z odjemalcem Planet Python, je mogoče učiti model segmentacije. V tem primeru je kombinacija klasifikacije KNN in tehnik segmentacije slike uporabljena za identifikacijo območja pridelka in ustvarjanje georeferenciranih geojsonskih značilnosti.
Podatki Planet se naložijo in predhodno obdelajo z uporabo vgrajenih geoprostorskih knjižnic in orodij v SageMakerju, da se pripravijo za usposabljanje klasifikatorja KNN. Osnovni resnični podatki za usposabljanje so nabor podatkov DWR Survey o rabi zemljišč okrožja Sacramento iz leta 2015, podatki Planet iz leta 2017 pa se uporabljajo za testiranje modela.
Pretvorite značilnosti talne resnice v konture
Za usposabljanje klasifikatorja KNN je razred vsake slikovne pike kot bodisi crop
or non-crop
je treba identificirati. Razred je določen s tem, ali je slikovna pika povezana s funkcijo obrezovanja v podatkih o resnici na tleh ali ne. Za to določitev se osnovni podatki o resnici najprej pretvorijo v konture OpenCV, ki se nato uporabijo za ločevanje crop
iz non-crop
slikovnih pik. Vrednosti slikovnih pik in njihova klasifikacija se nato uporabijo za usposabljanje klasifikatorja KNN.
Za pretvorbo značilnosti talne resnice v konture je treba značilnosti najprej projicirati v koordinatni referenčni sistem slike. Nato se značilnosti pretvorijo v slikovni prostor in končno pretvorijo v konture. Da bi zagotovili natančnost obrisov, so vizualizirani prekriti na vhodni sliki, kot je prikazano v naslednjem primeru.
Za usposabljanje klasifikatorja KNN so slikovne pike za obrezovanje in neobrezane ločene z uporabo kontur funkcije za obrezovanje kot masko.
Vnos klasifikatorja KNN je sestavljen iz dveh nizov podatkov: X, 2d matrike, ki zagotavlja značilnosti, po katerih je treba razvrstiti; in y, 1d matrika, ki zagotavlja razrede (Primer). Tukaj je en sam klasificirani pas ustvarjen iz naborov podatkov o neobrezovanju in obrezovanju, kjer vrednosti pasu označujejo razred slikovnih pik. Pas in osnovne vrednosti pasov slikovnih pik se nato pretvorijo v vnosa X in y za funkcijo prileganja klasifikatorja.
Usposobite klasifikator za obrezane in neobrezane slikovne pike
Klasifikacija KNN se izvaja z scikit-learn KNeighborsClassifier. Število sosedov, parameter, ki močno vpliva na učinkovitost ocenjevalca, se nastavi z uporabo navzkrižne validacije v navzkrižni validaciji KNN. Klasifikator se nato usposobi z uporabo pripravljenih nizov podatkov in nastavljenega števila sosednjih parametrov. Oglejte si naslednjo kodo:
Za oceno učinkovitosti klasifikatorja na njegovih vhodnih podatkih se razred pikslov predvidi z uporabo vrednosti pasov pikslov. Učinkovitost klasifikatorja v glavnem temelji na točnosti podatkov o usposabljanju in jasnem ločevanju razredov pikslov na podlagi vhodnih podatkov (vrednosti pasov pikslov). Parametre klasifikatorja, kot sta število sosedov in funkcija uteževanja razdalje, je mogoče prilagoditi za kompenzacijo morebitnih netočnosti v slednjem. Oglejte si naslednjo kodo:
Ocenite napovedi modela
Usposobljeni klasifikator KNN se uporablja za napovedovanje območij pridelka v testnih podatkih. Ti testni podatki so sestavljeni iz regij, ki med usposabljanjem niso bile izpostavljene modelu. Z drugimi besedami, model nima znanja o območju pred analizo, zato se lahko ti podatki uporabijo za objektivno oceno uspešnosti modela. Začnemo z vizualnim pregledom več regij, začenši z regijo, ki je razmeroma bolj hrupna.
Vizualni pregled razkrije, da so predvideni razredi večinoma skladni z osnovnimi resničnimi razredi. Obstaja nekaj regij odstopanja, ki jih dodatno pregledamo.
Po nadaljnji preiskavi smo odkrili, da je nekaj hrupa v tej regiji posledica podatkov o resnici na tleh, ki nimajo podrobnosti, ki so prisotne na tajni sliki (zgoraj desno v primerjavi z zgornjim levim in spodnjim levim). Posebej zanimiva ugotovitev je, da klasifikator identificira drevesa ob reki kot non-crop
, medtem ko jih osnovni podatki o resnici napačno identificirajo kot crop
. Ta razlika med tema dvema segmentacijama je morda posledica dreves, ki senčijo območje nad posevki.
Po tem pregledamo drugo regijo, ki je bila razvrščena drugače med obe metodi. Te poudarjene regije so bile prej označene kot regije brez posevkov v podatkih o resnici na tleh leta 2015 (zgoraj desno), vendar so se leta 2017 spremenile in jasno prikazane kot obdelovalne površine v prizorih Planetscope (zgoraj levo in spodaj levo). S klasifikatorjem (spodaj desno) so bile tudi razvrščene večinoma kot poljščine.
Spet vidimo, da klasifikator KNN predstavlja bolj natančen rezultat kot razred resničnosti tal, prav tako pa uspešno zajame spremembe, ki se dogajajo na zemljiščih. Ta primer govori tudi o vrednosti dnevno osveženih satelitskih podatkov, ker se svet pogosto spreminja veliko hitreje kot letna poročila, kombinirana metoda z ML, kot je ta, pa nam lahko pomaga zaznati spremembe, ko se zgodijo. Možnost spremljanja in odkrivanja takšnih sprememb prek satelitskih podatkov, zlasti na razvijajočih se kmetijskih poljih, zagotavlja koristne vpoglede kmetom, da optimizirajo svoje delo, in vsem kmetijskim deležnikom v vrednostni verigi, da dobijo boljši utrip sezone.
Ocenjevanje modela
Vizualna primerjava slik predvidenih razredov z razredi resnice na tleh je lahko subjektivna in je ni mogoče posplošiti za ocenjevanje točnosti rezultatov klasifikacije. Za pridobitev kvantitativne ocene pridobimo klasifikacijske metrike z uporabo scikit-learn classification_report
funkcija:
Razvrstitev slikovnih pik se uporablja za ustvarjanje segmentacijske maske območij pridelka, zaradi česar sta tako natančnost kot priklic pomembna metrika, rezultat F1 pa dobro splošno merilo za napovedovanje natančnosti. Naši rezultati nam dajejo meritve tako za pridelovalne kot tudi nepoljščinske regije v naboru podatkov o usposabljanju in testiranju. Da pa stvari poenostavimo, si poglejmo te meritve podrobneje v kontekstu območij pridelka v testnem naboru podatkov.
Natančnost je merilo, kako natančne so pozitivne napovedi našega modela. V tem primeru natančnost 0.94 za območja pridelave nakazuje, da je naš model zelo uspešen pri pravilnem prepoznavanju območij, ki so dejansko območja pridelka, kjer so lažni pozitivni rezultati (dejanske regije brez pridelka, napačno identificirane kot regije pridelka) minimalizirani. Recall pa po drugi strani meri popolnost pozitivnih napovedi. Z drugimi besedami, odpoklic meri delež dejanskih pozitivnih rezultatov, ki so bili pravilno identificirani. V našem primeru vrednost odpoklica 0.73 za območja pridelka pomeni, da je 73 % vseh pikslov resničnih območij pridelka pravilno identificiranih, kar zmanjšuje število lažno negativnih rezultatov.
V idealnem primeru so prednostne visoke vrednosti tako natančnosti kot priklica, čeprav je to lahko v veliki meri odvisno od uporabe študije primera. Če bi na primer preučevali te rezultate za kmete, ki želijo identificirati pridelovalne regije za kmetijstvo, bi želeli dati prednost višjemu odpoklicu kot natančnosti, da bi čim bolj zmanjšali število lažno negativnih rezultatov (območij, ki so opredeljena kot območja brez pridelkov, ki so dejansko pridelovalne regije), da bi čim bolje izkoristili zemljo. Rezultat F1 služi kot splošna metrika natančnosti, ki združuje tako natančnost kot priklic ter meri ravnotežje med obema metrikama. Visok rezultat F1, kot je naš za regije pridelave (0.82), kaže na dobro ravnotežje med natančnostjo in priklicem ter visoko splošno natančnostjo klasifikacije. Čeprav rezultat F1 pade med naborom podatkov vlaka in testom, je to pričakovano, ker je bil klasifikator usposobljen na naboru podatkov vlaka. Skupna ponderirana povprečna ocena F1 0.77 je obetavna in dovolj primerna za preizkus shem segmentacije na tajnih podatkih.
Ustvarite segmentacijsko masko iz klasifikatorja
Ustvarjanje segmentacijske maske z uporabo napovedi iz klasifikatorja KNN na testnem naboru podatkov vključuje čiščenje predvidenega izhoda, da se izognemo majhnim segmentom, ki jih povzroči šum slike. Za odstranjevanje pegastega šuma uporabljamo OpenCV filter srednje zamegljenosti. Ta filter ohranja razmejitve cest med posevki bolje kot morfološko odprto delovanje.
Če želite uporabiti binarno segmentacijo za denoised izhod, moramo najprej pretvoriti razvrščene rastrske podatke v vektorske funkcije z uporabo OpenCV findContours Funkcija.
Končno je mogoče izračunati dejanske segmentirane regije posevkov z uporabo segmentiranih obrisov posevkov.
Segmentirane regije pridelkov, izdelane iz klasifikatorja KNN, omogočajo natančno identifikacijo območij pridelkov v naboru testnih podatkov. Te segmentirane regije je mogoče uporabiti za različne namene, kot je identifikacija meja polja, spremljanje pridelka, ocena donosa in dodeljevanje virov. Dosežena ocena F1 0.77 je dobra in zagotavlja dokaz, da je klasifikator KNN učinkovito orodje za segmentacijo posevkov na slikah z daljinskim zaznavanjem. Te rezultate je mogoče uporabiti za nadaljnje izboljšanje in izboljšanje tehnik segmentacije pridelka, kar lahko vodi do večje natančnosti in učinkovitosti pri analizi pridelka.
zaključek
Ta objava je pokazala, kako lahko uporabite kombinacijo Planetov visoka kadenca, satelitski posnetki visoke ločljivosti in Geoprostorske zmogljivosti SageMaker za izvedbo analize segmentacije pridelkov, odklepanje dragocenih vpogledov, ki lahko izboljšajo kmetijsko učinkovitost, okoljsko trajnost in prehransko varnost. Natančna identifikacija območij pridelkov omogoča nadaljnjo analizo rasti in produktivnosti pridelkov, spremljanje sprememb rabe zemljišč in odkrivanje morebitnih tveganj za prehransko varnost.
Poleg tega kombinacija podatkov Planet in SageMaker ponuja širok nabor primerov uporabe poleg segmentacije posevkov. Vpogledi lahko omogočijo odločitve, ki temeljijo na podatkih o upravljanju pridelka, dodeljevanju virov in načrtovanju politik samo v kmetijstvu. Z različnimi modeli podatkov in ML bi se lahko kombinirana ponudba razširila tudi na druge industrije in primere uporabe za digitalno preobrazbo, preobrazbo trajnosti in varnost.
Če želite začeti uporabljati geoprostorske zmogljivosti SageMaker, glejte Začnite uporabljati geoprostorske zmogljivosti Amazon SageMaker.
Če želite izvedeti več o specifikacijah posnetkov Planet in referenčnih gradivih za razvijalce, obiščite Planet Developer's Center. Za dokumentacijo o Planetovem SDK za Python glejte Planet SDK za Python. Za več informacij o Planetu, vključno z njegovimi obstoječimi podatkovnimi izdelki in prihajajočimi izdajami izdelkov, obiščite https://www.planet.com/.
Izjave Planet Labs PBC o prihodnosti
Razen tukaj vsebovanih zgodovinskih informacij so zadeve, predstavljene v tej objavi v spletnem dnevniku, izjave o prihodnosti v smislu določb o »varnem pristanu« zakona o reformi sodnih sporov v zvezi z zasebnimi vrednostnimi papirji iz leta 1995, vključno z, a ne omejeno na, Planet Labs Sposobnost PBC, da ujame tržne priložnosti in uresniči morebitne koristi trenutnih ali prihodnjih izboljšav izdelkov, novih izdelkov ali strateških partnerstev in sodelovanja s strankami. Izjave o prihodnosti temeljijo na prepričanju vodstva družbe Planet Labs PBC, pa tudi na predpostavkah in informacijah, ki so jim trenutno na voljo. Ker takšne izjave temeljijo na pričakovanjih glede prihodnjih dogodkov in rezultatov in niso izjave o dejstvih, se lahko dejanski rezultati bistveno razlikujejo od predvidenih. Dejavniki, ki lahko povzročijo, da se dejanski rezultati bistveno razlikujejo od trenutnih pričakovanj, vključujejo, vendar niso omejeni na dejavnike tveganja in druga razkritja o Planet Labs PBC in njegovem poslovanju, ki so vključena v periodična poročila Planet Labs PBC, proxy izjave in drugo gradivo za razkritje, vloženo od časa. na čas s Komisijo za vrednostne papirje in borzo (SEC), ki so na voljo na spletu na www.sec.gov, in na spletni strani Planet Labs PBC na naslovu www.planet.com. Vse izjave o prihodnosti odražajo prepričanja in predpostavke družbe Planet Labs PBC samo od datuma, ko so takšne izjave podane. Planet Labs PBC se ne zavezuje, da bo posodobil izjave o prihodnosti, da bi odražale prihodnje dogodke ali okoliščine.
O avtorjih
Lidija Lihui Zhang je strokovnjakinja za poslovni razvoj pri Planet Labs PBC, kjer pomaga povezovati vesolje za izboljšanje Zemlje v različnih sektorjih in neštetih primerih uporabe. Pred tem je bila podatkovna znanstvenica pri McKinsey ACRE, rešitvi, osredotočeni na kmetijstvo. Ima magisterij iz programa tehnološke politike MIT, ki se osredotoča na vesoljsko politiko. Geoprostorski podatki in njihov širši vpliv na poslovanje in trajnost so bili v središču njene poklicne poti.
Mansi šah je programski inženir, podatkovni znanstvenik in glasbenik, katerega delo raziskuje prostore, kjer trčita umetniška strogost in tehnična radovednost. Verjame, da podatki (tako kot umetnost!) posnemajo življenje, in jo zanimajo globoko človeške zgodbe, ki se skrivajo za številkami in zapiski.
Xiong Zhou je višji aplikativni znanstvenik pri AWS. Vodi znanstveno ekipo za geoprostorske zmogljivosti Amazon SageMaker. Njegovo trenutno področje raziskovanja vključuje računalniški vid in učinkovito usposabljanje modelov. V prostem času rad teče, igra košarko in se druži z družino.
Janosch Woschitz je višji arhitekt rešitev pri AWS, specializiran za geoprostorsko umetno inteligenco/ML. Z več kot 15-letnimi izkušnjami podpira stranke po vsem svetu pri izkoriščanju AI in ML za inovativne rešitve, ki izkoriščajo geoprostorske podatke. Njegovo strokovno znanje obsega strojno učenje, podatkovno inženirstvo in razširljive porazdeljene sisteme, dopolnjeno z močnim ozadjem programskega inženiringa in industrijskim strokovnim znanjem na kompleksnih področjih, kot je avtonomna vožnja.
Shital Dhakal je višji programski vodja pri ekipi SageMaker geospatial ML s sedežem na območju zaliva San Francisco. Ima izkušnje z daljinskim zaznavanjem in geografskim informacijskim sistemom (GIS). Navdušen je nad razumevanjem bolečih točk strank in gradnjo geoprostorskih izdelkov za njihovo reševanje. V prostem času rad planinari, potuje in igra tenis.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 14
- 15 let
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- sposobnost
- Sposobna
- O meni
- pospeši
- dostop
- natančnost
- natančna
- natančno
- doseže
- pridobljenih
- hektar
- čez
- Zakon
- dejavnosti
- dejanska
- dejansko
- prilagoditev
- Prilagojen
- vplivajo
- vplivajo
- po
- Kmetijski
- Kmetijstvo
- AI
- AI / ML
- vsi
- dodelitev
- omogočajo
- Dovoli
- sam
- skupaj
- Prav tako
- Čeprav
- Amazon
- Amazon SageMaker
- Geoprostorski Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- an
- Analiza
- analizirati
- in
- letno
- Še ena
- kaj
- kjerkoli
- API-ji
- uporaba
- aplikacije
- uporabna
- Uporabi
- Arhiv
- SE
- OBMOČJE
- območja
- Array
- umetniško
- AS
- sprašuje
- oceniti
- Ocenjevanje
- ocenjevanje
- sredstvo
- pomoč
- povezan
- predpostavke
- At
- Povečana
- avtonomno
- razpoložljivost
- Na voljo
- povprečno
- izogniti
- čakati
- AWS
- nazaj
- ozadje
- Ravnovesje
- bend
- skupine
- bar
- temeljijo
- Osnova
- Košarka
- zaliv
- BE
- ker
- bilo
- Začetek
- zadaj
- počutje
- prepričanja
- meni
- Prednosti
- Boljše
- Boljše
- med
- Poleg
- Blog
- Modra
- blur
- tako
- Bottom
- Meje
- Meja
- MOST
- prinašajo
- širši
- izgradnjo
- Building
- vgrajeno
- svežnji
- poslovni
- poslovni razvoj
- vendar
- by
- CA
- california
- CAN
- Zmogljivosti
- kapitalizirati
- zajemanje
- ujame
- Kariera
- primeru
- diplomsko delo
- primeri
- Vzrok
- povzročilo
- nekatere
- verige
- spremenite
- spremenilo
- Spremembe
- lastnosti
- okoliščinah
- razred
- razredi
- Razvrstitev
- razvrščeni
- čiščenje
- jasno
- jasno
- CLF
- stranke
- Podnebne
- Sprememba podnebja
- bližje
- Cloud
- Koda
- sodelovanj
- zbirka
- Trčiti
- COM
- kombinacija
- kombinirani
- združevanje
- kako
- prihaja
- Komisija
- Skupno
- pogosto
- podjetje
- primerjalno
- primerjate
- v primerjavi z letom
- Primerjava
- kompleksna
- računalnik
- Računalniška vizija
- Ravnanje
- Connect
- dosledno
- vsebuje
- vseboval
- Vsebuje
- ozadje
- se nadaljuje
- pretvorbo
- pretvori
- koordinate
- Core
- popravljen
- Ustrezno
- bi
- občine
- pokrov
- pokritost
- kritje
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- Merila
- pridelek
- rastline
- radovednost
- Trenutna
- Trenutno
- stranka
- Stranke, ki so
- vsak dan
- datum
- podatkovni znanstvenik
- Podatkov usmerjenih
- nabor podatkov
- Datum
- odločitve
- globlje
- opredeliti
- opredeljen
- Dokazano
- odvisno
- razporedi
- Izpeljano
- želeno
- uničeni
- Podatki
- Odkrivanje
- odločnost
- določi
- razvili
- Razvojni
- Razvijalci
- Razvoj
- odstopanje
- se razlikujejo
- Razlika
- drugačen
- digitalni
- Digitalni Transformation
- neposredno
- katastrofa
- razkritje
- odkriti
- odkril
- razpravlja
- razdalja
- porazdeljena
- porazdeljeni sistemi
- distribucija
- Dokumentacija
- domen
- golob
- prenesi
- prenosov
- pogon
- vožnjo
- Kapljice
- 2
- med
- vsak
- prej
- Zemlja
- enostavno
- lahka
- Učinkovito
- učinkovitosti
- učinkovite
- učinkovito
- prizadevanja
- bodisi
- opolnomočiti
- omogočajo
- omogoča
- inženir
- Inženiring
- Inženirji
- izboljšave
- dovolj
- obogatiti
- zagotovitev
- okolje
- okolja
- Okoljska trajnost
- okolja
- zlasti
- oceniti
- Event
- dogodki
- dokazi
- razvija
- Preučevanje
- Primer
- Izmenjava
- obstoječih
- Razširi
- pričakovanja
- Pričakuje
- izkušnje
- strokovno znanje
- raziskuje
- raziskuje
- izpostavljena
- f1
- Dejstvo
- dejavniki
- false
- družina
- kmetje
- kmetovanje
- hitreje
- Feature
- Lastnosti
- februar
- gnojilo
- Nekaj
- Polje
- Področja
- file
- vložena
- filter
- končno
- Najdi
- iskanje
- Fiona
- prva
- fit
- FLET
- prilagodljiv
- poplav
- Osredotočite
- osredotoča
- po
- hrana
- za
- Naprej
- v prihodnost
- Fundacija
- Francisco
- iz
- funkcija
- nadalje
- Prihodnost
- pridobivanje
- vrzel
- geografsko
- Geoprostorski ML
- dobili
- Daj
- dana
- Globalno
- Globalno
- dobro
- grafika
- zelo
- Zelen
- Igrišče
- Pridelovanje
- Rast
- Gost
- Gost Prispevek
- strani
- se zgodi
- Zgodi se
- Imajo
- ob
- he
- Zdravje
- pomoč
- pomoč
- Pomaga
- jo
- tukaj
- tukaj
- visoka
- Visoka frekvenca
- visoka ločljivost
- več
- Poudarjeno
- njegov
- zgodovinski
- drži
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- človeškega
- i
- ID
- Identifikacija
- identificirati
- identificira
- identificirati
- identifikacijo
- if
- slika
- slike
- neizmerno
- vpliv
- Pomembno
- izboljšanje
- izboljšuje
- izboljšanju
- in
- V drugi
- vključujejo
- vključeno
- vključuje
- Vključno
- vključi
- nepravilno
- povečal
- narašča
- prav zares
- Indeks
- Navedite
- označuje
- industrij
- Industrija
- Podatki
- inovativne
- vhod
- vhodi
- vpogledi
- navdih
- namestitev
- nameščen
- interaktivno
- obresti
- zainteresirani
- Zanimivo
- vmesnik
- v
- preiskava
- IT
- ITS
- Jennifer
- jpg
- junij
- Imejte
- Komplet (SDK)
- znanje
- Kyle
- Labs
- Država
- velika
- obsežne
- v veliki meri
- Pozen
- kosilo
- začela
- vodi
- vodi
- Interesenti
- UČITE
- učenje
- levo
- vzvod
- knjižnice
- življenje
- kot
- Limited
- vrstica
- Seznam
- Litigation
- nahaja
- Poglej
- si
- stroj
- strojno učenje
- Makro
- je
- v glavnem
- Znamka
- Izdelava
- upravljanje
- upravljanje
- upravitelj
- več
- map
- označeno
- Tržna
- Maska
- mojster
- ujemanje
- materialno
- materiali
- Zadeve
- največja
- Maj ..
- McKinsey
- kar pomeni,
- pomeni
- merjenje
- ukrepe
- merjenje
- metapodatki
- Metoda
- Metode
- meritev
- Meritve
- minimiziranje
- MIT
- ublažitev
- ML
- Model
- modeli
- monitor
- spremljanje
- več
- Najbolj
- večinoma
- veliko
- več
- Glasbenik
- morajo
- nešteto
- naravna
- Nimate
- potrebna
- potrebe
- negative
- sosedi
- Novo
- novi izdelki
- št
- hrup
- prenosnik
- Opombe
- Številka
- številke
- številne
- objektivno
- Obveznost
- opazujejo
- pridobi
- oktober
- of
- ponujanje
- Ponudbe
- pogosto
- on
- na spletu
- samo
- odprite
- OpenCV
- Delovanje
- Priložnost
- Optimizirajte
- or
- Da
- naročila
- organizacije
- originalno
- Ostalo
- naši
- nosi
- obrisi
- izhod
- več
- Splošni
- lastne
- bolečina
- parameter
- parametri
- zlasti
- zlasti
- Partnerstvo
- partnerstev
- strastno
- vzorci
- Izvedite
- performance
- opravljeno
- periodično
- fizično
- kramp
- pixel
- planet
- načrtovanje
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- točke
- politika
- pozitiven
- mogoče
- Prispevek
- potencial
- potencialno
- moč
- močan
- vaje
- natančna
- Precision
- napovedati
- napovedano
- napovedovanje
- Napovedi
- prednostno
- Pripravimo
- pripravljeni
- predstaviti
- darila
- predogled
- prej
- v prvi vrsti
- primarni
- Predhodna
- Prednost
- zasebna
- problem
- Postopek
- Predelano
- obravnavati
- Proizvedeno
- Izdelek
- produktivnost
- Izdelki
- globoko
- Program
- napovedane
- obetaven
- Delež
- zagotavljajo
- če
- zagotavlja
- proxy
- javno
- impulz
- namene
- Python
- količinsko
- Hitri
- hitro
- območje
- uresničitev
- Rdeča
- zmanjšanje
- izboljšati
- odražajo
- Reforma
- okolica
- regije
- Izpusti
- pomembno
- Oprostitev
- daljinsko
- odstrani
- Poročanje
- Poročila
- predstavnik
- zahteva
- Raziskave
- vir
- viri
- povzroči
- Rezultati
- vrnitev
- razkrivajo
- Razkrije
- Rich
- Pravica
- Tveganje
- dejavniki tveganja
- tveganja
- Reka
- cesta
- Run
- tek
- Sacramento
- sagemaker
- Enako
- San
- San Francisco
- satelit
- satelitov
- razširljive
- Prizor
- prizori
- sheme
- Znanost
- Znanstvenik
- Znanstveniki
- scikit-učiti
- rezultat
- SDK
- Iskalnik
- Sezona
- SEC
- Sektorji
- Vrednostni papirji
- Securities and Exchange Commission
- varnost
- varnostna tveganja
- glej
- segmentacija
- segmentih
- izbran
- izbor
- višji
- ločena
- služi
- Storitve
- nastavite
- Kompleti
- poravnavo
- več
- je
- Prikaži
- pokazale
- Podoben
- Enostavno
- saj
- sam
- Velikosti
- majhna
- Software
- Razvoj programske opreme
- komplet za razvoj programske opreme
- Software Engineer
- inženiring programske opreme
- tla
- Rešitev
- rešitve
- SOLVE
- nekaj
- vir
- Viri
- Vesolje
- prostori
- razponi
- prostorsko
- Govori
- specialist
- specializacijo
- specifikacija
- specifikacije
- Spektralno
- Poraba
- deležnik
- interesne skupine
- Začetek
- začel
- Država
- Izjave
- Status
- Korak
- zgodbe
- Strateško
- Strateška partnerstva
- strategije
- stres
- močna
- studio
- študija
- naročiti
- uspešno
- Uspešno
- taka
- podpora
- Podpira
- Površina
- Anketa
- Trajnostni razvoj
- trajnostno
- sistem
- sistemi
- Bodite
- sprejeti
- ob
- skupina
- tehnični
- tehnike
- Tehnologija
- Test
- testament
- Testiranje
- kot
- da
- O
- Območje
- Država
- svet
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- stvari
- ta
- tisti,
- skozi
- čas
- krat
- do
- orodje
- orodja
- vrh
- proti
- sledenje
- Vlak
- usposobljeni
- usposabljanje
- Transform
- Preoblikovanje
- preoblikovati
- Potovanje
- Drevesa
- Trends
- Res
- Resnica
- poskusite
- dva
- tip
- osnovni
- razumevanje
- se zavezuje
- odklepanje
- dokler
- prihajajoče
- Nadgradnja
- us
- uporaba
- Rabljeni
- Uporabniki
- uporablja
- uporabo
- navadno
- uporablja
- dragocene
- vrednost
- Vrednote
- različnih
- Popravljeno
- zelo
- preko
- Vizija
- obisk
- vizualizacija
- vizualno
- Obseg
- Ranljivi
- Počakaj
- želeli
- je
- Odpadki
- Voda
- we
- web
- spletne storitve
- Spletna stran
- Dobro
- so bili
- medtem ko
- ali
- ki
- medtem
- WHO
- katerih
- široka
- Širok spekter
- z
- v
- brez
- besede
- delo
- potek dela
- delovnih tokov
- deluje
- svet
- bi
- pisni
- X
- leto
- let
- donos
- Vi
- zefirnet
- zoom