Det här gästinlägget är skrivet av Lydia Lihui Zhang, Business Development Specialist, och Mansi Shah, Software Engineer/Data Scientist, på Planet Labs. De analys som inspirerade detta inlägg skrevs ursprungligen av Jennifer Reiber Kyle.
Amazon SageMaker geospatiala funktioner kombineras med Planets satellitdata kan användas för segmentering av grödor, och det finns många tillämpningar och potentiella fördelar med denna analys för områdena jordbruk och hållbarhet. I slutet av 2023, Planet tillkännagav ett partnerskap med AWS för att göra sin geospatiala data tillgänglig genom Amazon SageMaker.
Beskärningssegmentering är processen att dela upp en satellitbild i områden med pixlar, eller segment, som har liknande beskärningsegenskaper. I det här inlägget illustrerar vi hur man använder en segmenteringsmaskininlärningsmodell (ML) för att identifiera gröda och icke-gröda regioner i en bild.
Att identifiera grödor är ett centralt steg mot att få insikter inom jordbruket, och kombinationen av rik geospatial data och ML kan leda till insikter som driver beslut och åtgärder. Till exempel:
- Att fatta datadrivna jordbruksbeslut – Genom att få bättre rumslig förståelse för grödorna kan lantbrukare och andra jordbruksintressenter optimera användningen av resurser, från vatten till gödningsmedel till andra kemikalier under säsongen. Detta lägger grunden för att minska avfallet, förbättra hållbara jordbruksmetoder där det är möjligt och öka produktiviteten samtidigt som miljöpåverkan minimeras.
- Identifiera klimatrelaterade påfrestningar och trender – Eftersom klimatförändringarna fortsätter att påverka globala temperatur- och nederbördsmönster, kan segmentering av grödor användas för att identifiera områden som är sårbara för klimatrelaterad stress för klimatanpassningsstrategier. Till exempel kan satellitbildsarkiv användas för att spåra förändringar i en odlingsregion över tid. Dessa kan vara de fysiska förändringarna i storlek och utbredning av odlingsmarker. De kan också vara förändringar i markfuktighet, marktemperatur och biomassa, härledda från olika spektrala index för satellitdata, för djupare analys av grödans hälsa.
- Bedöma och mildra skador – Slutligen kan grödasegmentering användas för att snabbt och exakt identifiera områden med skador på grödor i händelse av en naturkatastrof, vilket kan hjälpa till att prioritera hjälpinsatser. Till exempel, efter en översvämning kan satellitbilder med hög kadens användas för att identifiera områden där grödor har sänkts under vatten eller förstörts, vilket gör att hjälporganisationer kan hjälpa drabbade bönder snabbare.
I denna analys använder vi en K-nearest neighbours (KNN)-modell för att utföra grödasegmentering, och vi jämför dessa resultat med sanningsbilder från en jordbruksregion. Våra resultat avslöjar att klassificeringen från KNN-modellen är mer exakt representativ för tillståndet för det aktuella odlingsfältet 2017 än klassificeringsdata från 2015. Dessa resultat är ett bevis på kraften i Planets geospatiala bilder med hög kadens. Jordbruksfält förändras ofta, ibland flera gånger per säsong, och att ha högfrekventa satellitbilder tillgängliga för att observera och analysera denna mark kan ge ett enormt värde för vår förståelse av jordbruksmark och snabbt föränderliga miljöer.
Planet och AWS:s partnerskap om geospatial ML
SageMaker geospatiala möjligheter ge datavetare och ML-ingenjörer möjlighet att bygga, träna och distribuera modeller med hjälp av geospatial data. SageMakers geospatiala funktioner låter dig effektivt transformera eller berika storskaliga geospatiala datauppsättningar, accelerera modellbyggandet med förutbildade ML-modeller och utforska modellförutsägelser och geospatial data på en interaktiv karta med hjälp av 3D-accelererad grafik och inbyggda visualiseringsverktyg. Med SageMakers geospatiala funktioner kan du bearbeta stora datamängder av satellitbilder och annan geospatial data för att skapa exakta ML-modeller för olika applikationer, inklusive grödasegmentering, som vi diskuterar i det här inlägget.
Planet Labs PBC är ett ledande jordbildsföretag som använder sin stora flotta av satelliter för att fånga bilder av jordens yta dagligen. Planets data är därför en värdefull resurs för geospatial ML. Dess högupplösta satellitbilder kan användas för att identifiera olika grödans egenskaper och deras hälsa över tid, var som helst på jorden.
Partnerskapet mellan Planet och SageMaker gör det möjligt för kunder att enkelt komma åt och analysera Planets högfrekventa satellitdata med hjälp av AWS kraftfulla ML-verktyg. Dataforskare kan ta med sin egen data eller bekvämt hitta och prenumerera på Planets data utan att byta miljö.
Beskärningssegmentering i en Amazon SageMaker Studio-anteckningsbok med en geospatial bild
I det här exemplet på geospatialt ML-arbetsflöde tittar vi på hur man kan föra in Planets data tillsammans med den jordnära datakällan i SageMaker, och hur man tränar, härleder och distribuerar en grödasegmenteringsmodell med en KNN-klassificerare. Slutligen bedömer vi riktigheten av våra resultat och jämför detta med vår grundsanningsklassificering.
KNN-klassificeraren som användes var utbildad i en Amazon SageMaker Studio-anteckningsbok med en geospatial bild och tillhandahåller en flexibel och utbyggbar bärbar datorkärna för att arbeta med geospatial data.
Smakämnen Amazon SageMaker Studio notebook med geospatial bild levereras förinstallerad med vanliga geospatiala bibliotek som GDAL, Fiona, GeoPandas, Shapely och Rasterio, som tillåter visualisering och bearbetning av geospatial data direkt i en Python-notebookmiljö. Vanliga ML-bibliotek som OpenCV eller scikit-learn används också för att utföra grödasegmentering med KNN-klassificering, och dessa är också installerade i den geospatiala kärnan.
Dataurval
Jordbruksfältet vi zoomar in på ligger vid det vanligtvis soliga Sacramento County i Kalifornien.
Varför Sacramento? Valet av område och tid för denna typ av problem definieras i första hand av tillgången på marksanningsdata, och sådan data i grödatyp och gränsdata är inte lätt att få tag på. De 2015 Sacramento County Land Use DWR Survey dataset är en allmänt tillgänglig datauppsättning som täcker Sacramento County det året och tillhandahåller handjusterade gränser.
De primära satellitbilder vi använder är planetens 4-band PSScene produkt, som innehåller de blå, gröna, röda och nära-IR-banden och är radiometriskt korrigerad till strålning vid sensorn. Koefficienterna för att korrigera till sensorreflektansen tillhandahålls i scenens metadata, vilket ytterligare förbättrar överensstämmelsen mellan bilder tagna vid olika tidpunkter.
Planet's Dove-satelliter som producerade dessa bilder lanserades den 14 februari 2017 (pressmeddelande), därför avbildade de inte Sacramento County redan 2015. Men de har tagit dagliga bilder av området sedan lanseringen. I det här exemplet nöjer vi oss med det ofullkomliga 2-åriga gapet mellan markens sanningsdata och satellitbilder. Men Landsat 8-bilder med lägre upplösning kunde ha använts som en bro mellan 2015 och 2017.
Få åtkomst till planetdata
För att hjälpa användare att få korrekta och handlingsbara data snabbare har Planet också utvecklat Planet Software Development Kit (SDK) för Python. Detta är ett kraftfullt verktyg för datavetare och utvecklare som vill arbeta med satellitbilder och annan geospatial data. Med denna SDK kan du söka och komma åt Planets stora samling av högupplösta satellitbilder, såväl som data från andra källor som OpenStreetMap. SDK:n tillhandahåller en Python-klient till Planets API:er, såväl som en CLI-lösning (no-code command line interface), vilket gör det enkelt att integrera satellitbilder och geospatial data i Python-arbetsflöden. Det här exemplet använder Python-klienten för att identifiera och ladda ner bilder som behövs för analysen.
Du kan installera Planet Python-klienten i SageMaker Studio-anteckningsboken med geospatial bild med ett enkelt kommando:
Du kan använda klienten för att fråga efter relevanta satellitbilder och hämta en lista över tillgängliga resultat baserat på intresseområde, tidsintervall och andra sökkriterier. I följande exempel börjar vi med att fråga hur många PlanetScope-scener (Planets dagliga bilder) täcker samma intresseområde (AOI) som vi definierar tidigare genom markdata i Sacramento, givet ett visst tidsintervall mellan 1 juni och 1 oktober 2017; samt en viss önskad maximal molntäckning på 10 %:
De returnerade resultaten visar antalet matchande scener som överlappar med vårt intresseområde. Den innehåller också varje scens metadata, dess bild-ID och en förhandsgranskningsbildreferens.
Efter att en viss scen har valts, med specifikation på scen-ID, artikeltyp och produktpaket (referensdokumentation), kan du använda följande kod för att ladda ner bilden och dess metadata:
Denna kod laddar ner motsvarande satellitbild till Amazon Elastic File System (Amazon EFS) volym för SageMaker Studio.
Modellutbildning
Efter att data har laddats ner med Planet Python-klienten kan segmenteringsmodellen tränas. I det här exemplet används en kombination av KNN-klassificering och bildsegmenteringstekniker för att identifiera grödor och skapa georeferenserade geojson-funktioner.
Planet-data laddas och förbehandlas med hjälp av de inbyggda geospatiala biblioteken och verktygen i SageMaker för att förbereda den för träning av KNN-klassificeraren. Grundinformationen för träning är Sacramento County Land Use DWR Survey dataset från 2015, och Planet-data från 2017 används för att testa modellen.
Konvertera markens sanningsfunktioner till konturer
För att träna KNN-klassificeraren, klassen för varje pixel som antingen crop
or non-crop
måste identifieras. Klassen bestäms av om pixeln är associerad med en beskärningsfunktion i markens sanningsdata eller inte. För att göra denna bestämning omvandlas grundsanningsdata först till OpenCV-konturer, som sedan används för att separera crop
från non-crop
pixlar. Pixelvärdena och deras klassificering används sedan för att träna KNN-klassificeraren.
För att omvandla markens sanningsdrag till konturer måste funktionerna först projiceras till bildens koordinatreferenssystem. Sedan omvandlas funktionerna till bildrum och omvandlas slutligen till konturer. För att säkerställa konturernas noggrannhet visualiseras de överlagrade på inmatningsbilden, som visas i följande exempel.
För att träna KNN-klassificeraren separeras beskärnings- och icke-beskärningspixlar med hjälp av beskärningsfunktionens konturer som en mask.
Ingången till KNN-klassificeraren består av två datauppsättningar: X, en 2d-array som tillhandahåller de funktioner som ska klassificeras på; och y, en 1d-array som tillhandahåller klasserna (exempel). Här skapas ett enda klassificerat band från datauppsättningarna för icke-beskärning och beskärning, där bandets värden indikerar pixelklassen. Bandet och de underliggande bildpixelbandvärdena konverteras sedan till X- och y-ingångarna för klassificerarens passningsfunktion.
Träna klassificeraren på beskärda och icke-beskära pixlar
KNN-klassificeringen utförs med scikit-learn KNeighborsClassifier. Antalet grannar, en parameter som i hög grad påverkar estimatorns prestanda, ställs in med hjälp av korsvalidering i KNN-korsvalidering. Klassificeraren tränas sedan med hjälp av de förberedda datamängderna och det inställda antalet grannparametrar. Se följande kod:
För att bedöma klassificerarens prestanda på dess indata, förutsägs pixelklassen med hjälp av pixelbandsvärdena. Klassificerarens prestanda baseras huvudsakligen på träningsdatans noggrannhet och den tydliga separationen av pixelklasserna baserat på indata (pixelbandsvärden). Klassificerarens parametrar, såsom antalet grannar och avståndsviktningsfunktionen, kan justeras för att kompensera för eventuella felaktigheter i den senare. Se följande kod:
Utvärdera modellförutsägelser
Den tränade KNN-klassificeraren används för att förutsäga grödor i testdata. Dessa testdata består av regioner som inte exponerades för modellen under träningen. Modellen har med andra ord ingen kunskap om området före analysen och därför kan denna data användas för att objektivt utvärdera modellens prestanda. Vi börjar med att visuellt inspektera flera regioner, börja med en region som är jämförelsevis bullrigare.
Den visuella inspektionen avslöjar att de förutsagda klasserna för det mesta överensstämmer med de markerade sanningsklasserna. Det finns några områden med avvikelse som vi inspekterar ytterligare.
Vid ytterligare undersökning upptäckte vi att en del av bruset i denna region berodde på att markens sanningsdata saknade den detalj som finns i den klassificerade bilden (överst till höger jämfört med övre vänstra och nedre till vänster). Ett särskilt intressant fynd är att klassificeraren identifierar träd längs floden som non-crop
, medan grund sanningsdata felaktigt identifierar dem som crop
. Denna skillnad mellan dessa två segmentering kan bero på att träden skuggar regionen över grödorna.
Efter detta inspekterar vi en annan region som klassificerades olika mellan de två metoderna. Dessa markerade regioner markerades tidigare som icke-gröda regioner i markens sanningsdata 2015 (överst till höger) men ändrades och visades tydligt som odlingsmark 2017 genom Planetscope Scenes (överst till vänster och längst ner till vänster). De klassificerades också till stor del som åkermark genom klassificeraren (nederst till höger).
Återigen ser vi att KNN-klassificeraren presenterar ett mer granulärt resultat än marksanningsklassen, och den fångar också framgångsrikt förändringen som sker i odlingsmarken. Det här exemplet talar också om värdet av daglig uppdaterad satellitdata eftersom världen ofta förändras mycket snabbare än årsrapporter, och en kombinerad metod med ML som denna kan hjälpa oss att ta upp förändringarna när de inträffar. Att kunna övervaka och upptäcka sådana förändringar via satellitdata, särskilt i de växande jordbruksfälten, ger användbara insikter för bönder att optimera sitt arbete och alla jordbruksintressenter i värdekedjan för att få en bättre puls av säsongen.
Modellutvärdering
Den visuella jämförelsen av bilderna av de förutsagda klasserna med grundsanningsklasserna kan vara subjektiva och kan inte generaliseras för att bedöma riktigheten av klassificeringsresultaten. För att få en kvantitativ bedömning får vi klassificeringsmått genom att använda scikit-learn's classification_report
fungera:
Pixelklassificeringen används för att skapa en segmenteringsmask av odlingsregioner, vilket gör både precision och återkallande viktiga mätvärden, och F1-poängen är ett bra övergripande mått för att förutsäga noggrannhet. Våra resultat ger oss mätvärden för både gröda och icke-gröda regioner i tåg- och testdatauppsättningen. Men för att hålla saker och ting enkelt, låt oss titta närmare på dessa mätvärden i samband med grödor i testdatauppsättningen.
Precision är ett mått på hur exakta vår modells positiva förutsägelser är. I det här fallet indikerar en precision på 0.94 för grödor att vår modell är mycket framgångsrik när det gäller att korrekt identifiera områden som verkligen är grödor, där falska positiva (faktiska icke-grödor som felaktigt identifieras som grödor) minimeras. Recall, å andra sidan, mäter fullständigheten av positiva förutsägelser. Med andra ord, återkallelse mäter andelen faktiska positiva som identifierades korrekt. I vårt fall betyder ett återkallningsvärde på 0.73 för beskärningsregioner att 73 % av alla verkliga pixlar för beskärningsregioner är korrekt identifierade, vilket minimerar antalet falska negativ.
Helst är höga värden på både precision och återkallande att föredra, även om detta till stor del kan bero på tillämpningen av fallstudien. Om vi till exempel skulle undersöka dessa resultat för jordbrukare som vill identifiera grödor för jordbruket, skulle vi vilja ge företräde åt en högre återkallelse än precision, för att minimera antalet falska negativa (områden som identifierats som icke-gröda regioner som är faktiskt grödor) för att utnyttja marken så mycket som möjligt. F1-poängen fungerar som ett övergripande noggrannhetsmått som kombinerar både precision och återkallelse, och mäter balansen mellan de två måtten. Ett högt F1-värde, som vårt för grödor (0.82), indikerar en bra balans mellan både precision och återkallelse och en hög övergripande klassificeringsnoggrannhet. Även om F1-poängen sjunker mellan tåg- och testdatauppsättningarna, förväntas detta eftersom klassificeraren tränades på tågdatauppsättningen. En totalt vägd genomsnittlig F1-poäng på 0.77 är lovande och tillräckligt tillräckligt för att prova segmenteringsscheman på sekretessbelagda data.
Skapa en segmenteringsmask från klassificeraren
Skapandet av en segmenteringsmask med hjälp av förutsägelserna från KNN-klassificeraren på testdatauppsättningen innebär att man städar upp den förutsagda utdatan för att undvika små segment som orsakas av bildbrus. För att ta bort fläckbrus använder vi OpenCV median oskärpa filter. Detta filter bevarar vägavgränsningar mellan grödor bättre än den morfologiska öppna driften.
För att tillämpa binär segmentering på den nosade utdatan måste vi först konvertera de klassificerade rasterdata till vektorfunktioner med hjälp av OpenCV hitta konturer funktion.
Slutligen kan de faktiska segmenterade gröderegionerna beräknas med hjälp av de segmenterade grödorkonturerna.
De segmenterade gröderegionerna som produceras från KNN-klassificeraren möjliggör exakt identifiering av gröderegioner i testdatauppsättningen. Dessa segmenterade regioner kan användas för olika ändamål, såsom fältgränsidentifiering, grödaövervakning, skördeuppskattning och resursallokering. Den uppnådda F1-poängen på 0.77 är bra och ger bevis på att KNN-klassificeraren är ett effektivt verktyg för grödasegmentering i fjärranalysbilder. Dessa resultat kan användas för att ytterligare förbättra och förfina tekniker för segmentering av grödor, vilket potentiellt kan leda till ökad noggrannhet och effektivitet i grödanalys.
Slutsats
Det här inlägget visade hur du kan använda kombinationen av Planetens hög kadens, högupplösta satellitbilder och SageMaker geospatiala möjligheter att utföra analys av grödasegmentering, och låsa upp värdefulla insikter som kan förbättra jordbrukets effektivitet, miljömässig hållbarhet och livsmedelssäkerhet. Att noggrant identifiera gröderegioner möjliggör ytterligare analys av grödans tillväxt och produktivitet, övervakning av förändringar i markanvändningen och upptäckt av potentiella risker för livsmedelssäkerhet.
Dessutom erbjuder kombinationen av Planet-data och SageMaker ett brett utbud av användningsfall utöver grödasegmentering. Insikterna kan möjliggöra datadrivna beslut om odling, resursallokering och policyplanering enbart inom jordbruket. Med olika data- och ML-modeller kan det kombinerade erbjudandet även expandera till andra branscher och använda fall för digital transformation, hållbarhetstransformation och säkerhet.
För att börja använda SageMakers geospatiala funktioner, se Kom igång med Amazon SageMakers geospatiala funktioner.
För att lära dig mer om Planets bildspecifikationer och referensmaterial för utvecklare, besök Planet Developer's Center. För dokumentation om Planets SDK för Python, se Planet SDK för Python. För mer information om Planet, inklusive dess befintliga dataprodukter och kommande produktsläpp, besök https://www.planet.com/.
Planet Labs PBC framåtblickande uttalanden
Förutom den historiska informationen häri, är de frågor som anges i det här blogginlägget framåtblickande uttalanden i betydelsen av "safe harbor"-bestämmelserna i Private Securities Litigation Reform Act från 1995, inklusive, men inte begränsat till, Planet Labs PBC:s förmåga att fånga marknadsmöjligheter och realisera alla potentiella fördelar från nuvarande eller framtida produktförbättringar, nya produkter eller strategiska partnerskap och kundsamarbeten. Framåtblickande uttalanden är baserade på Planet Labs PBC:s lednings övertygelser, såväl som antaganden gjorda av och information som för närvarande är tillgänglig för dem. Eftersom sådana uttalanden är baserade på förväntningar på framtida händelser och resultat och inte är påståenden om fakta, kan faktiska resultat skilja sig väsentligt från de förväntade. Faktorer som kan få faktiska resultat att avvika väsentligt från nuvarande förväntningar inkluderar, men är inte begränsade till, riskfaktorer och andra upplysningar om Planet Labs PBC och dess verksamhet som ingår i Planet Labs PBC:s periodiska rapporter, proxyutlåtanden och annat upplysningsmaterial som lämnats in från tidpunkten. till tid hos Securities and Exchange Commission (SEC) som är tillgängliga online på www.sec.gov, och på Planet Labs PBC:s webbplats på www.planet.com. Alla framtidsinriktade uttalanden återspeglar Planet Labs PBC:s övertygelser och antaganden endast från och med det datum sådana uttalanden görs. Planet Labs PBC åtar sig ingen skyldighet att uppdatera framtidsinriktade uttalanden för att återspegla framtida händelser eller omständigheter.
Om författarna
Lydia Lihui Zhang är affärsutvecklingsspecialist på Planet Labs PBC, där hon hjälper till att koppla samman rymden för att förbättra jorden över olika sektorer och en mängd användningsfall. Tidigare var hon dataforskare vid McKinsey ACRE, en jordbruksfokuserad lösning. Hon har en Master of Science från MIT Technology Policy Program, med fokus på rymdpolitik. Geospatial data och dess bredare inverkan på affärer och hållbarhet har varit hennes karriärfokus.
Mansi Shah är en mjukvaruingenjör, datavetare och musiker vars arbete utforskar utrymmen där konstnärlig stringens och teknisk nyfikenhet kolliderar. Hon tror att data (som konst!) imiterar livet och är intresserad av de djupt mänskliga berättelserna bakom siffrorna och anteckningarna.
Xiong Zhou är Senior Applied Scientist på AWS. Han leder vetenskapsteamet för Amazon SageMakers geospatiala funktioner. Hans nuvarande forskningsområde inkluderar datorseende och effektiv modellträning. På fritiden tycker han om att springa, spela basket och umgås med sin familj.
Janosch Woschitz är Senior Solutions Architect på AWS, specialiserad på geospatial AI/ML. Med över 15 års erfarenhet stödjer han kunder globalt med att utnyttja AI och ML för innovativa lösningar som drar nytta av geospatial data. Hans expertis spänner över maskininlärning, datateknik och skalbara distribuerade system, förstärkt av en stark bakgrund inom mjukvaruteknik och branschexpertis inom komplexa domäner som autonom körning.
Shital Dhakal är Sr. Program Manager med SageMaker geospatial ML-team baserat i San Francisco Bay Area. Han har en bakgrund inom fjärranalys och geografiska informationssystem (GIS). Han brinner för att förstå kundernas smärtpunkter och bygga geospatiala produkter för att lösa dem. På fritiden tycker han om att vandra, resa och spela tennis.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : har
- :är
- :inte
- :var
- $UPP
- 1
- 10
- 100
- 14
- 15 år
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- förmåga
- Able
- Om oss
- accelerera
- tillgång
- noggrannhet
- exakt
- exakt
- uppnås
- förvärvade
- tunnland
- tvärs
- Agera
- åtgärder
- faktiska
- faktiskt
- anpassning
- justerat
- påverka
- påverkar
- Efter
- Jordbruks
- jordbruket
- AI
- AI / ML
- Alla
- fördelning
- tillåter
- tillåta
- ensam
- längs
- också
- Även
- amason
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analys
- analysera
- och
- årsringar
- Annan
- vilken som helst
- var som helst
- API: er
- Ansökan
- tillämpningar
- tillämpas
- Ansök
- arkiv
- ÄR
- OMRÅDE
- områden
- array
- konstnärliga
- AS
- be
- bedöma
- bedöma
- bedömning
- tillgång
- bistå
- associerad
- antaganden
- At
- augmented
- autonom
- tillgänglighet
- tillgänglig
- genomsnitt
- undvika
- vänta
- AWS
- tillbaka
- bakgrund
- Balansera
- BAND
- bandets
- bar
- baserat
- grund
- Basketboll
- bukt
- BE
- därför att
- varit
- Börjar
- bakom
- Där vi får lov att vara utan att konstant prestera,
- föreställningar
- tror
- Fördelarna
- Bättre
- Förbättring
- mellan
- Bortom
- Blogg
- Blå
- fläck
- båda
- Botten
- gränser
- gräns
- BRO
- föra
- bredare
- SLUTRESULTAT
- Byggnad
- inbyggd
- buntar
- företag
- affärsutveckling
- men
- by
- CA
- kalifornien
- KAN
- kapacitet
- kapitalisera
- fånga
- fångar
- Karriär
- Vid
- fallstudie
- fall
- Orsak
- orsakas
- vissa
- kedja
- byta
- ändrats
- Förändringar
- egenskaper
- omständigheter
- klass
- klasser
- klassificering
- klassificerad
- Rengöring
- klar
- klart
- CLF
- klient
- Klimat
- Klimatförändring
- närmare
- cloud
- koda
- samarbeten
- samling
- Kollidera
- COM
- kombination
- kombinerad
- kombinera
- komma
- kommer
- provision
- Gemensam
- vanligen
- företag
- jämförelsevis
- jämföra
- jämfört
- jämförelse
- komplex
- dator
- Datorsyn
- Genomför
- Kontakta
- konsekvent
- består
- innehöll
- innehåller
- sammanhang
- fortsätter
- konvertera
- konverterad
- samordna
- Kärna
- Korrigerad
- Motsvarande
- kunde
- län
- täcka
- täckning
- beläggning
- skapa
- skapas
- Skapa
- skapande
- kriterier
- gröda
- grödor
- nyfikenhet
- Aktuella
- För närvarande
- kund
- Kunder
- dagligen
- datum
- datavetare
- data driven
- datauppsättningar
- Datum
- beslut
- djupare
- definiera
- definierade
- demonstreras
- beroende
- distribuera
- Härledd
- önskas
- förstördes
- detalj
- Detektering
- bestämning
- bestämd
- utvecklade
- Utvecklare
- utvecklare
- Utveckling
- avvikelse
- skilja sig
- Skillnaden
- olika
- digital
- digital Transformation
- direkt
- katastrof
- avslöjande
- Upptäck
- upptäckt
- diskutera
- avstånd
- distribueras
- distribuerade system
- fördelning
- dokumentation
- domäner
- duva
- ladda ner
- Nedladdningar
- driv
- drivande
- Droppar
- grund
- under
- varje
- Tidigare
- jord
- lätt
- lätt
- Effektiv
- effektivitet
- effektiv
- effektivt
- ansträngningar
- antingen
- ge
- möjliggöra
- möjliggör
- ingenjör
- Teknik
- Ingenjörer
- förbättringar
- tillräckligt
- berika
- säkerställa
- Miljö
- miljömässigt
- Miljömässig hållbarhet
- miljöer
- speciellt
- utvärdera
- händelse
- händelser
- bevis
- utvecklas
- Granskning
- exempel
- utbyta
- befintliga
- Bygga ut
- förväntningar
- förväntat
- erfarenhet
- expertis
- utforska
- utforskar
- utsatta
- f1
- Faktum
- faktorer
- falsk
- familj
- lantbrukare
- odling
- snabbare
- Leverans
- Funktioner
- Februari
- gödsel
- få
- fält
- Fält
- Fil
- in
- filtrera
- Slutligen
- hitta
- finna
- fiona
- Förnamn
- passa
- FLOTTA
- flexibel
- översvämning
- Fokus
- fokusering
- efter
- livsmedelsproduktion
- För
- vidare
- framåtblickande
- fundament
- Francisco
- från
- fungera
- ytterligare
- framtida
- få
- spalt
- geografisk
- Geospatial ML
- skaffa sig
- Ge
- ges
- Välgörenhet
- Globalt
- god
- grafik
- kraftigt
- Grön
- Marken
- Odling
- Tillväxt
- Gäst
- gäst inlägg
- sidan
- hända
- Happening
- Har
- har
- he
- Hälsa
- hjälpa
- hjälp
- hjälper
- här
- här.
- häri
- Hög
- Hög frekvens
- hög upplösning
- högre
- Markerad
- hans
- historisk
- innehar
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- humant
- i
- ID
- Identifiering
- identifierade
- identifierar
- identifiera
- identifiera
- if
- bild
- bilder
- enorma
- Inverkan
- med Esport
- förbättra
- förbättrar
- förbättra
- in
- I andra
- innefattar
- ingår
- innefattar
- Inklusive
- införliva
- felaktigt
- ökat
- ökande
- ja
- index
- indikerar
- pekar på
- industrier
- industrin
- informationen
- innovativa
- ingång
- ingångar
- insikter
- inspirerat
- installera
- installerad
- interaktiva
- intresse
- intresserad
- intressant
- Gränssnitt
- in
- Undersökningen
- IT
- DESS
- Jennifer
- jpg
- juni
- Ha kvar
- Kit (SDK)
- kunskap
- kyle
- Labs
- land
- Large
- storskalig
- till stor del
- Sent
- lansera
- lanserades
- leda
- ledande
- Leads
- LÄRA SIG
- inlärning
- vänster
- hävstångs
- bibliotek
- livet
- tycka om
- Begränsad
- linje
- Lista
- Rättstvister
- belägen
- se
- du letar
- Maskinen
- maskininlärning
- Makro
- gjord
- huvudsakligen
- göra
- Framställning
- hantera
- ledning
- chef
- många
- karta
- markant
- marknad
- mask
- Master
- matchande
- väsentligt
- material
- Betyder Något
- maximal
- Maj..
- McKinsey
- betyder
- betyder
- mäta
- åtgärder
- mätning
- metadata
- metod
- metoder
- metriska
- Metrics
- minimerande
- MIT
- förmildrande
- ML
- modell
- modeller
- Övervaka
- övervakning
- mer
- mest
- för det mesta
- mycket
- multipel
- Musiker
- måste
- myriad
- Natural
- Behöver
- behövs
- behov
- negativ
- grannar
- Nya
- nya produkter
- Nej
- Brus
- anteckningsbok
- Anmärkningar
- antal
- nummer
- talrik
- objektivt
- Skyldigheten
- observera
- få
- oktober
- of
- erbjuda
- Erbjudanden
- Ofta
- on
- nätet
- endast
- öppet
- OpenCV
- drift
- Möjlighet
- Optimera
- or
- beställa
- ordrar
- organisationer
- ursprungligen
- Övriga
- vår
- bära
- konturer
- produktion
- över
- övergripande
- egen
- Smärta
- parameter
- parametrar
- särskilt
- särskilt
- Partnerskap
- partnerskap
- brinner
- mönster
- Utföra
- prestanda
- utfört
- periodisk
- fysisk
- plocka
- pixel
- planet
- planering
- plato
- Platon Data Intelligence
- PlatonData
- i
- poäng
- policy
- positiv
- möjlig
- Inlägg
- potentiell
- potentiellt
- kraft
- den mäktigaste
- praxis
- exakt
- Precision
- förutse
- förutsagda
- förutsäga
- Förutsägelser
- föredragen
- Förbered
- beredd
- presentera
- presenterar
- Förhandsvisning
- tidigare
- primärt
- primär
- Innan
- Prioritera
- privat
- Problem
- process
- Bearbetad
- bearbetning
- producerad
- Produkt
- produktivitet
- Produkter
- djupt
- Program
- projicerade
- lovande
- andel
- ge
- förutsatt
- ger
- ombud
- publicly
- puls
- syfte
- Python
- kvantitativ
- Snabbt
- snabbt
- område
- inser
- Red
- reducerande
- förfina
- reflektera
- Reform
- region
- regioner
- meddelanden
- relevanta
- lindring
- avlägsen
- ta bort
- Rapportering
- Rapport
- representativ
- begära
- forskning
- resurs
- Resurser
- resultera
- Resultat
- avkastning
- avslöjar
- avslöjar
- Rik
- höger
- Risk
- riskfaktorer
- risker
- River
- väg
- Körning
- rinnande
- Sacramento
- sagemaker
- Samma
- San
- San Francisco
- satellit
- satelliter
- skalbar
- scen
- scener
- system
- Vetenskap
- Forskare
- vetenskapsmän
- scikit lära
- göra
- sDK
- Sök
- Säsong
- SEC
- Sektorer
- Värdepapper
- säkerhet och utbytesprovision
- säkerhet
- säkerhetsrisker
- se
- segmentering
- segment
- vald
- Val
- senior
- separat
- serverar
- Tjänster
- in
- uppsättningar
- bosätta sig
- flera
- hon
- show
- visas
- liknande
- Enkelt
- eftersom
- enda
- Storlek
- Small
- Mjukvara
- mjukvaruutveckling
- Utrustning för programvaruutveckling
- Programvara ingenjör
- mjukvaruutveckling
- jord
- lösning
- Lösningar
- LÖSA
- några
- Källa
- Källor
- Utrymme
- utrymmen
- spann
- rumsliga
- talar
- specialist
- specialiserat
- specifikation
- specifikationer
- Spektral
- Spendera
- intressenter
- intressenter
- starta
- igång
- Ange
- uttalanden
- status
- Steg
- Upplevelser för livet
- Strategisk
- strategiska partnerskap
- strategier
- påkänning
- stark
- studio
- Läsa på
- prenumerera
- framgångsrik
- Framgångsrikt
- sådana
- stödja
- Stöder
- yta
- Undersökning
- Hållbarhet
- hållbart
- system
- System
- Ta
- tagen
- tar
- grupp
- Teknisk
- tekniker
- Teknologi
- testa
- testament
- Testning
- än
- den där
- Smakämnen
- Området
- Staten
- världen
- deras
- Dem
- sedan
- Där.
- därför
- Dessa
- de
- saker
- detta
- de
- Genom
- tid
- gånger
- till
- verktyg
- verktyg
- topp
- mot
- spår
- Tåg
- tränad
- Utbildning
- Förvandla
- Transformation
- transformerad
- Traveling
- Träd
- Trender
- sann
- sanningen
- prova
- två
- Typ
- underliggande
- förståelse
- åtar sig
- upplåsning
- tills
- kommande
- Uppdatering
- us
- användning
- Begagnade
- användare
- användningar
- med hjälp av
- vanligen
- utnyttjas
- Värdefulla
- värde
- Värden
- olika
- Omfattande
- mycket
- via
- syn
- Besök
- visualisering
- visuellt
- volym
- Sårbara
- vänta
- vill
- var
- Avfall
- Vatten
- we
- webb
- webbservice
- Webbplats
- VÄL
- były
- medan
- om
- som
- medan
- VEM
- vars
- bred
- Brett utbud
- med
- inom
- utan
- ord
- Arbete
- arbetsflöde
- arbetsflöden
- arbetssätt
- världen
- skulle
- skriven
- X
- år
- år
- Avkastning
- Om er
- zephyrnet
- zoom