สร้างแพลตฟอร์มข้อมูลพืชไร่ด้วยความสามารถเชิงพื้นที่ของ Amazon SageMaker

โลกกำลังตกอยู่ในความเสี่ยงที่เพิ่มขึ้นของการขาดแคลนอาหารทั่วโลกอันเป็นผลมาจากความขัดแย้งทางภูมิรัฐศาสตร์ การหยุดชะงักของห่วงโซ่อุปทาน และการเปลี่ยนแปลงสภาพภูมิอากาศ ในเวลาเดียวกัน ความต้องการโดยรวมก็เพิ่มขึ้นจากการเติบโตของประชากรและการเปลี่ยนอาหารที่เน้นอาหารที่อุดมด้วยสารอาหารและโปรตีน เพื่อตอบสนองความต้องการส่วนเกิน เกษตรกรจำเป็นต้องเพิ่มผลผลิตพืชผลสูงสุดและจัดการการดำเนินงานตามขนาดอย่างมีประสิทธิภาพ โดยใช้เทคโนโลยีการทำฟาร์มแบบแม่นยำเพื่อให้นำหน้า

ในอดีต เกษตรกรอาศัยความรู้ที่สืบทอดมา การลองผิดลองถูก และคำแนะนำด้านพืชไร่นาแบบไม่มีเงื่อนไขในการตัดสินใจ การตัดสินใจที่สำคัญ ได้แก่ พืชผลที่จะปลูก ปริมาณปุ๋ยที่ใช้ วิธีควบคุมแมลงศัตรูพืช และเวลาเก็บเกี่ยว อย่างไรก็ตาม ด้วยความต้องการอาหารที่เพิ่มขึ้นและความต้องการเพิ่มผลผลิตเก็บเกี่ยว เกษตรกรจึงต้องการข้อมูลเพิ่มเติมนอกเหนือไปจากความรู้ที่สืบทอดมา เทคโนโลยีที่เป็นนวัตกรรม เช่น การสำรวจระยะไกล IoT และวิทยาการหุ่นยนต์มีศักยภาพในการช่วยเกษตรกรก้าวข้ามการตัดสินใจแบบเดิม การตัดสินใจที่ขับเคลื่อนด้วยข้อมูลซึ่งขับเคลื่อนโดยข้อมูลเชิงลึกแบบเกือบเรียลไทม์สามารถช่วยให้เกษตรกรปิดช่องว่างความต้องการอาหารที่เพิ่มขึ้นได้

แม้ว่าโดยปกติแล้วเกษตรกรจะรวบรวมข้อมูลด้วยตนเองจากการปฏิบัติงานโดยการบันทึกอุปกรณ์และข้อมูลผลผลิตหรือจดบันทึกการสังเกตการณ์ภาคสนาม แต่ผู้สร้างแพลตฟอร์มข้อมูลพืชไร่บน AWS ช่วยให้เกษตรกรทำงานร่วมกับที่ปรึกษาด้านพืชไร่นาที่เชื่อถือได้ใช้ข้อมูลนั้นในปริมาณมาก ทุ่งขนาดเล็กและการดำเนินงานได้ง่ายขึ้นช่วยให้เกษตรกรมองเห็นพื้นที่ทั้งหมดเพื่อค้นหาปัญหาที่ส่งผลกระทบต่อพืชผล อย่างไรก็ตาม การสำรวจพื้นที่แต่ละแห่งเป็นประจำสำหรับทุ่งขนาดใหญ่และฟาร์มนั้นไม่สามารถทำได้ และการลดความเสี่ยงที่ประสบความสำเร็จนั้นต้องการแพลตฟอร์มข้อมูลพืชไร่แบบบูรณาการที่สามารถนำข้อมูลเชิงลึกมาขยายขนาดได้ แพลตฟอร์มเหล่านี้ช่วยให้เกษตรกรเข้าใจข้อมูลของตนโดยการรวมข้อมูลจากหลายแหล่งเพื่อใช้ในแอปพลิเคชันการแสดงภาพและการวิเคราะห์ ข้อมูลเชิงพื้นที่ ได้แก่ ภาพถ่ายดาวเทียม ข้อมูลดิน สภาพอากาศ และข้อมูลภูมิประเทศ จะถูกรวมเป็นชั้นร่วมกับข้อมูลที่รวบรวมโดยอุปกรณ์การเกษตรระหว่างการเพาะปลูก การใช้สารอาหาร และการเก็บเกี่ยว ด้วยการปลดล็อกข้อมูลเชิงลึกผ่านการวิเคราะห์ข้อมูลเชิงพื้นที่ที่ได้รับการปรับปรุง การแสดงภาพข้อมูลขั้นสูง และระบบอัตโนมัติของเวิร์กโฟลว์ผ่านเทคโนโลยี AWS เกษตรกรสามารถระบุพื้นที่เฉพาะของไร่นาและพืชผลของตนที่กำลังประสบปัญหา และดำเนินการเพื่อปกป้องพืชผลและการดำเนินงานของพวกเขา ข้อมูลเชิงลึกที่ทันท่วงทีเหล่านี้ช่วยให้เกษตรกรทำงานร่วมกับนักปฐพีวิทยาที่เชื่อถือได้ได้ดีขึ้นเพื่อผลิตได้มากขึ้น ลดผลกระทบต่อสิ่งแวดล้อม ปรับปรุงความสามารถในการทำกำไร และรักษาผลผลิตของที่ดินไว้สำหรับรุ่นต่อไป

ในโพสต์นี้ เราจะดูว่าคุณสามารถใช้การคาดคะเนที่สร้างขึ้นได้อย่างไร ความสามารถเชิงพื้นที่ของ Amazon SageMaker ลงในอินเทอร์เฟซผู้ใช้ของแพลตฟอร์มข้อมูลพืชไร่ นอกจากนี้ เรายังหารือถึงวิธีที่ทีมพัฒนาซอฟต์แวร์เพิ่มข้อมูลเชิงลึกที่ขับเคลื่อนด้วยแมชชีนเลิร์นนิง (ML) ขั้นสูง รวมถึงอัลกอริธึมการสำรวจระยะไกล การกำบังเมฆ (ตรวจจับเมฆโดยอัตโนมัติภายในภาพถ่ายดาวเทียม) และไปป์ไลน์การประมวลผลภาพอัตโนมัติไปยังแพลตฟอร์มข้อมูลพืชไร่ของพวกเขา การเพิ่มเติมเหล่านี้ช่วยให้นักปฐพีวิทยา นักพัฒนาซอฟต์แวร์ วิศวกร ML นักวิทยาศาสตร์ข้อมูล และทีมสำรวจระยะไกลจัดหาระบบสนับสนุนการตัดสินใจที่มีคุณค่าและปรับขนาดได้ให้แก่เกษตรกร โพสต์นี้ยังให้ตัวอย่างสมุดบันทึกแบบ end-to-end และ พื้นที่เก็บข้อมูล GitHub ที่แสดงให้เห็นถึงความสามารถเชิงพื้นที่ของ SageMaker รวมถึงการแบ่งส่วนไร่ตาม ML และแบบจำลองเชิงพื้นที่ที่ผ่านการฝึกอบรมล่วงหน้าสำหรับการเกษตร

การเพิ่มข้อมูลเชิงลึกเชิงพื้นที่และการคาดการณ์ลงในแพลตฟอร์มข้อมูลพืชไร่

แบบจำลองทางคณิตศาสตร์และปฐพีวิทยาที่สร้างขึ้นรวมกับภาพถ่ายดาวเทียมทำให้สามารถแสดงภาพความสมบูรณ์และสถานะของพืชผลด้วยภาพถ่ายดาวเทียม พิกเซลต่อพิกเซล เมื่อเวลาผ่านไป อย่างไรก็ตาม แบบจำลองที่กำหนดขึ้นเหล่านี้จำเป็นต้องเข้าถึงภาพถ่ายดาวเทียมที่ไม่ถูกบดบังด้วยเมฆหรือสิ่งรบกวนบรรยากาศอื่นๆ ที่ลดคุณภาพของภาพ หากไม่มีการระบุและลบเมฆออกจากภาพที่ประมวลผลแต่ละภาพ การคาดคะเนและข้อมูลเชิงลึกจะมีความไม่ถูกต้องอย่างมาก และแพลตฟอร์มข้อมูลพืชไร่จะสูญเสียความไว้วางใจจากเกษตรกร เนื่องจากโดยทั่วไปแล้วผู้ให้บริการแพลตฟอร์มข้อมูลพืชไร่ให้บริการลูกค้าซึ่งประกอบด้วยไร่นาหลายพันแห่งทั่วทั้งภูมิภาคที่แตกต่างกัน แพลตฟอร์มข้อมูลพืชไร่จึงต้องการการมองเห็นด้วยคอมพิวเตอร์และระบบอัตโนมัติในการวิเคราะห์ ระบุ และกรองเมฆหรือปัญหาบรรยากาศอื่นๆ ภายในภาพถ่ายดาวเทียมแต่ละภาพก่อนที่จะประมวลผลเพิ่มเติมหรือให้การวิเคราะห์ ให้กับลูกค้า

การพัฒนา ทดสอบ และปรับปรุงโมเดลการมองเห็นด้วยคอมพิวเตอร์ ML ที่ตรวจจับเมฆและปัญหาบรรยากาศในภาพถ่ายดาวเทียมถือเป็นความท้าทายสำหรับผู้สร้างแพลตฟอร์มข้อมูลพืชไร่ ประการแรก การสร้างท่อส่งข้อมูลเพื่อนำเข้าภาพถ่ายดาวเทียมต้องใช้เวลา ทรัพยากรในการพัฒนาซอฟต์แวร์ และโครงสร้างพื้นฐานด้านไอที ผู้ให้บริการภาพถ่ายดาวเทียมแต่ละรายอาจแตกต่างกันอย่างมาก ดาวเทียมมักรวบรวมภาพที่ความละเอียดเชิงพื้นที่ต่างกัน ความละเอียดสามารถมีตั้งแต่หลายเมตรต่อพิกเซลไปจนถึงภาพที่มีความละเอียดสูงมากซึ่งวัดเป็นเซนติเมตรต่อพิกเซล นอกจากนี้ ดาวเทียมแต่ละดวงอาจเก็บภาพด้วยแถบความถี่หลายช่วงที่แตกต่างกัน บางแถบได้รับการทดสอบอย่างละเอียดและแสดงความสัมพันธ์ที่แข็งแกร่งกับการพัฒนาพืชและตัวชี้วัดด้านสุขภาพ และแถบอื่นๆ อาจไม่เกี่ยวข้องกับการเกษตร กลุ่มดาวบริวารกลับมายังจุดเดิมบนโลกด้วยอัตราที่ต่างกัน กลุ่มดาวขนาดเล็กอาจกลับมาที่สนามทุกๆ สัปดาห์หรือมากกว่านั้น และกลุ่มดาวที่ใหญ่กว่าอาจกลับมาที่พื้นที่เดียวกันหลายครั้งต่อวัน ความแตกต่างของภาพถ่ายดาวเทียมและความถี่เหล่านี้ยังนำไปสู่ความแตกต่างในความสามารถและคุณลักษณะของ API เมื่อรวมกันแล้ว ความแตกต่างเหล่านี้หมายความว่าแพลตฟอร์มข้อมูลพืชไร่อาจจำเป็นต้องรักษาท่อข้อมูลหลายท่อด้วยวิธีการนำเข้าที่ซับซ้อน

ประการที่สอง หลังจากที่ภาพถูกนำเข้าและพร้อมใช้งานสำหรับทีมสำรวจระยะไกล นักวิทยาศาสตร์ข้อมูล และนักปฐพีวิทยา ทีมเหล่านี้ต้องมีส่วนร่วมในกระบวนการที่ใช้เวลานานในการเข้าถึง ประมวลผล และติดป้ายแต่ละภูมิภาคภายในแต่ละภาพว่ามีเมฆมาก ด้วยฟิลด์นับพันที่กระจายอยู่ตามภูมิศาสตร์ที่แตกต่างกัน และภาพถ่ายจากดาวเทียมหลายภาพต่อฟิลด์ กระบวนการติดฉลากอาจใช้เวลานานพอสมควรและต้องได้รับการฝึกอบรมอย่างต่อเนื่องเพื่อรองรับการขยายธุรกิจ ฟิลด์ลูกค้าใหม่ หรือแหล่งที่มาของภาพใหม่

การเข้าถึงภาพและข้อมูลดาวเทียม Sentinel แบบบูรณาการสำหรับ ML

โดยใช้ความสามารถเชิงพื้นที่ของ SageMaker สำหรับการพัฒนาแบบจำลอง ML การสำรวจระยะไกล และโดยการใช้ภาพถ่ายดาวเทียมจาก การแลกเปลี่ยนข้อมูล AWS สาธารณะได้สะดวก บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) ผู้สร้างแพลตฟอร์มข้อมูลพืชไร่บน AWS สามารถบรรลุเป้าหมายได้เร็วและง่ายขึ้น บัคเก็ต S3 ของคุณมีภาพถ่ายดาวเทียมล่าสุดเสมอจาก Sentinel-1 และ Sentinel-2 เนื่องจาก Open Data Exchange และ การริเริ่มข้อมูลความยั่งยืนของ Amazon ให้คุณเข้าถึงภาพถ่ายดาวเทียมในตัวโดยอัตโนมัติ

ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมนี้

ความสามารถด้านภูมิสารสนเทศของ SageMaker รวมถึงแบบจำลองโครงข่ายประสาทเทียมเชิงลึกในตัวที่ได้รับการฝึกอบรมล่วงหน้า เช่น การจำแนกประเภทการใช้ที่ดินและการปิดบังบนคลาวด์ พร้อมแค็ตตาล็อกแบบบูรณาการของแหล่งข้อมูลเชิงพื้นที่ รวมถึงภาพถ่ายดาวเทียม แผนที่ และข้อมูลตำแหน่งจาก AWS และบุคคลที่สาม ด้วยแคตตาล็อกข้อมูลเชิงพื้นที่แบบบูรณาการ ลูกค้าเชิงพื้นที่ของ SageMaker สามารถเข้าถึงภาพถ่ายดาวเทียมและชุดข้อมูลเชิงพื้นที่อื่นๆ ได้ง่ายขึ้น ซึ่งช่วยขจัดภาระในการพัฒนาไปป์ไลน์การนำเข้าข้อมูลที่ซับซ้อน แค็ตตาล็อกข้อมูลที่ผสานรวมนี้สามารถเร่งการสร้างแบบจำลองของคุณเอง ตลอดจนการประมวลผลและการเพิ่มพูนชุดข้อมูลเชิงพื้นที่ขนาดใหญ่ด้วยการดำเนินการที่สร้างขึ้นตามวัตถุประสงค์ เช่น สถิติเวลา การสุ่มตัวอย่างใหม่ การผสมโมเสค และการเข้ารหัสทางภูมิศาสตร์แบบย้อนกลับ ความสามารถในการนำเข้าภาพจาก Amazon S3 อย่างง่ายดายและใช้โมเดล ML เชิงพื้นที่เชิงพื้นที่ที่ได้รับการฝึกอบรมล่วงหน้าของ SageMaker ซึ่งจะระบุคลาวด์โดยอัตโนมัติและให้คะแนนภาพถ่ายดาวเทียม Sentinel-2 แต่ละภาพโดยอัตโนมัติ ทำให้ไม่จำเป็นต้องใช้การสำรวจระยะไกล นักปฐพีวิทยา และทีมวิทยาศาสตร์ข้อมูลเพื่อนำเข้า ประมวลผล และ ติดป้ายกำกับภาพถ่ายดาวเทียมหลายพันภาพด้วยตนเองในบริเวณที่มีเมฆมาก

ความสามารถด้านภูมิสารสนเทศของ SageMaker สนับสนุนความสามารถในการกำหนดพื้นที่ที่สนใจ (AOI) และเวลาที่สนใจ (TOI) ค้นหาภายในบัคเก็ต Open Data Exchange S3 ที่เก็บข้อมูลถาวรสำหรับรูปภาพที่มีจุดตัดเชิงพื้นที่ที่ตรงกับคำขอ และส่งกลับภาพสีจริง Normalized Difference Vegetation Index (NDVI) การตรวจจับและคะแนนของเมฆ และสิ่งปกคลุมดิน NDVI เป็นดัชนีทั่วไปที่ใช้กับภาพถ่ายดาวเทียมเพื่อทำความเข้าใจสุขภาพของพืชผลโดยการแสดงภาพการวัดปริมาณคลอโรฟิลล์และกิจกรรมการสังเคราะห์แสงผ่านภาพที่ประมวลผลใหม่และมีรหัสสี

ผู้ใช้ความสามารถเชิงพื้นที่ของ SageMaker สามารถใช้ดัชนี NDVI ที่สร้างไว้ล่วงหน้าหรือพัฒนาด้วยตนเอง ความสามารถเชิงพื้นที่ของ SageMaker ทำให้นักวิทยาศาสตร์ข้อมูลและวิศวกร ML สามารถสร้าง ฝึกฝน และปรับใช้โมเดล ML ได้เร็วขึ้นและขยายขนาดโดยใช้ข้อมูลเชิงพื้นที่ได้ง่ายขึ้นและออกแรงน้อยลงกว่าเดิม

เกษตรกรและนักปฐพีวิทยาต้องการเข้าถึงข้อมูลเชิงลึกในภาคสนามและที่บ้านอย่างรวดเร็ว

การนำเสนอภาพและข้อมูลเชิงลึกที่ประมวลผลโดยทันทีแก่เกษตรกรและผู้มีส่วนได้ส่วนเสียเป็นสิ่งสำคัญสำหรับธุรกิจการเกษตรและการตัดสินใจในภาคสนาม การระบุพื้นที่ที่สุขภาพพืชผลไม่ดีในแต่ละไร่ในช่วงเวลาวิกฤตช่วยให้เกษตรกรสามารถลดความเสี่ยงได้โดยการใช้ปุ๋ย ยากำจัดวัชพืช และยาฆ่าแมลงหากจำเป็น และแม้แต่ระบุพื้นที่ที่อาจมีการเคลมประกันพืชผล เป็นเรื่องปกติที่แพลตฟอร์มข้อมูลพืชไร่จะประกอบด้วยชุดแอปพลิเคชัน ซึ่งรวมถึงเว็บแอปพลิเคชันและแอปพลิเคชันมือถือ แอปพลิเคชันเหล่านี้มีส่วนต่อประสานกับผู้ใช้ที่ใช้งานง่ายซึ่งช่วยให้เกษตรกรและผู้มีส่วนได้ส่วนเสียที่เชื่อถือได้ตรวจสอบแต่ละฟิลด์และรูปภาพของตนได้อย่างปลอดภัยในขณะที่อยู่ที่บ้าน ในสำนักงาน หรือยืนอยู่ในฟิลด์ อย่างไรก็ตาม แอปพลิเคชันบนเว็บและอุปกรณ์เคลื่อนที่เหล่านี้จำเป็นต้องใช้และแสดงภาพที่ผ่านการประมวลผลและข้อมูลเชิงลึกด้านพืชไร่ผ่าน API อย่างรวดเร็ว

Amazon API Gateway Amazon ช่วยให้นักพัฒนาสร้าง เผยแพร่ บำรุงรักษา ตรวจสอบ และรักษาความปลอดภัยของ RESTful และ WebSocket APIs ได้อย่างง่ายดาย กับ API เกตเวย์การเข้าถึง API และการอนุญาตถูกรวมเข้ากับ การจัดการการเข้าถึงข้อมูลประจำตัวของ AWS (IAM) และให้การสนับสนุน OIDC และ OAuth2 แบบเนทีฟ รวมถึง Amazon Cognito Co. Amazon Cognito Co เป็นบริการข้อมูลระบุตัวตนของลูกค้าและการจัดการการเข้าถึง (CIAM) ที่คุ้มค่าซึ่งสนับสนุนที่เก็บข้อมูลระบุตัวตนที่ปลอดภัยพร้อมตัวเลือกการรวมศูนย์ที่สามารถปรับขนาดได้ถึงผู้ใช้หลายล้านคน

ภาพถ่ายดาวเทียมดิบที่ยังไม่ผ่านการประมวลผลอาจมีขนาดใหญ่มาก ในบางกรณีอาจมีหลายร้อยเมกะไบต์หรือแม้แต่กิกะไบต์ต่อภาพ เนื่องจากพื้นที่เกษตรกรรมหลายแห่งในโลกมีการเชื่อมต่อเซลลูลาร์ไม่ดีหรือไม่มีเลย การประมวลผลและให้บริการภาพและข้อมูลเชิงลึกในรูปแบบที่เล็กลงและจำกัดแบนด์วิธที่จำเป็นจึงเป็นเรื่องสำคัญ ดังนั้นโดยใช้ AWS แลมบ์ดา ในการปรับใช้เซิร์ฟเวอร์ไทล์ สามารถส่งคืน GeoTIFFs, JPEG หรือรูปแบบภาพอื่นๆ ที่มีขนาดเล็กลงตามมุมมองแผนที่ปัจจุบันที่แสดงต่อผู้ใช้ ซึ่งตรงข้ามกับขนาดและประเภทไฟล์ที่ใหญ่กว่ามากซึ่งลดประสิทธิภาพลง ด้วยการรวมเซิร์ฟเวอร์ไทล์ที่ใช้งานผ่านฟังก์ชัน Lambda เข้ากับ API Gateway เพื่อจัดการคำขอสำหรับแอปพลิเคชันเว็บและมือถือ เกษตรกรและผู้มีส่วนได้ส่วนเสียที่เชื่อถือได้สามารถใช้ภาพและข้อมูลเชิงพื้นที่จากหนึ่งหรือหลายร้อยฟิลด์พร้อมกันโดยมีความหน่วงแฝงลดลง และบรรลุผู้ใช้ที่เหมาะสมที่สุด ประสบการณ์.

ความสามารถด้านภูมิสารสนเทศของ SageMaker สามารถเข้าถึงได้ผ่านส่วนต่อประสานผู้ใช้ที่ใช้งานง่าย ซึ่งช่วยให้คุณเข้าถึงแคตตาล็อกข้อมูลเชิงพื้นที่ที่หลากหลาย แปลงและเสริมข้อมูล ฝึกหรือใช้แบบจำลองตามวัตถุประสงค์ ปรับใช้แบบจำลองสำหรับการคาดคะเน และแสดงภาพและสำรวจข้อมูลบน แผนที่บูรณาการและภาพถ่ายดาวเทียม หากต้องการอ่านเพิ่มเติมเกี่ยวกับประสบการณ์ผู้ใช้ SageMaker geospatial โปรดดูที่ Xarvio เร่งไปป์ไลน์ของข้อมูลเชิงพื้นที่สำหรับการทำฟาร์มดิจิทัลด้วยความสามารถเชิงพื้นที่ของ Amazon SageMaker ได้อย่างไร.

แพลตฟอร์มข้อมูลพืชไร่จะให้ข้อมูลและข้อมูลเชิงลึกหลายชั้นตามขนาด

อินเทอร์เฟซผู้ใช้ตัวอย่างต่อไปนี้แสดงให้เห็นว่าผู้สร้างแพลตฟอร์มข้อมูลพืชไร่สามารถรวมข้อมูลเชิงลึกที่นำเสนอโดยความสามารถเชิงพื้นที่ของ SageMaker ได้อย่างไร

อินเทอร์เฟซผู้ใช้ตัวอย่างนี้แสดงการซ้อนทับข้อมูลเชิงพื้นที่ทั่วไปที่เกษตรกรและผู้มีส่วนได้ส่วนเสียทางการเกษตรใช้ ที่นี่ ผู้บริโภคได้เลือกการซ้อนทับข้อมูลที่แยกจากกันสามรายการ ประการแรก ภาพจากดาวเทียมสีธรรมชาติ Sentinel-2 ซึ่งถ่ายตั้งแต่เดือนตุลาคม 2020 และเผยแพร่ผ่านแค็ตตาล็อกข้อมูลเชิงพื้นที่ของ SageMaker ที่ผสานรวม ภาพนี้ถูกกรองโดยใช้แบบจำลองเชิงพื้นที่เชิงพื้นที่ของ SageMaker ที่ผ่านการฝึกอบรมล่วงหน้าซึ่งระบุการปกคลุมของเมฆ การซ้อนทับข้อมูลที่สองคือชุดของขอบเขตของฟิลด์ที่แสดงด้วยโครงร่างสีขาว ขอบเขตของฟิลด์โดยทั่วไปคือรูปหลายเหลี่ยมของพิกัดละติจูดและลองจิจูดที่สะท้อนถึงภูมิประเทศตามธรรมชาติของไร่นา หรือขอบเขตการปฏิบัติงานที่แยกความแตกต่างระหว่างแผนการปลูกพืช การซ้อนทับข้อมูลที่สามคือการประมวลผลข้อมูลภาพในรูปแบบของ Normalized Difference Vegetation Index (NDVI) นอกจากนี้ ภาพ NDVI ยังวางซ้อนบนขอบเขตของฟิลด์ที่เกี่ยวข้อง และแผนภูมิการจัดประเภทสี NDVI จะแสดงที่ด้านซ้ายของหน้า

รูปภาพต่อไปนี้แสดงผลลัพธ์โดยใช้แบบจำลองที่ผ่านการฝึกอบรมล่วงหน้าของ SageMaker ซึ่งระบุการปกคลุมของเมฆ

ในภาพนี้ แบบจำลองจะระบุเมฆภายในภาพถ่ายดาวเทียมและใช้หน้ากากสีเหลืองบนเมฆแต่ละก้อนภายในภาพ การนำพิกเซลมาสก์ (คลาวด์) ออกจากการประมวลผลภาพเพิ่มเติม การวิเคราะห์ดาวน์สตรีมและผลิตภัณฑ์ได้ปรับปรุงความแม่นยำและให้คุณค่าแก่เกษตรกรและที่ปรึกษาที่เชื่อถือได้

ในพื้นที่ที่สัญญาณมือถือไม่ดี การลดเวลาแฝงจะช่วยปรับปรุงประสบการณ์ของผู้ใช้

เพื่อตอบสนองความต้องการเวลาแฝงต่ำเมื่อประเมินข้อมูลเชิงพื้นที่และภาพจากการสำรวจระยะไกล คุณสามารถใช้ Amazon ElastiCache เพื่อแคชรูปภาพที่ประมวลผลแล้วที่ดึงมาจากคำขอไทล์ที่ทำผ่าน Lambda การจัดเก็บภาพที่ร้องขอไว้ในหน่วยความจำแคชจะทำให้เวลาแฝงลดลงอีก และไม่จำเป็นต้องประมวลผลคำขอภาพซ้ำอีก สิ่งนี้สามารถปรับปรุงประสิทธิภาพของแอปพลิเคชันและลดแรงกดดันต่อฐานข้อมูล เพราะ Amazon ElastiCache รองรับตัวเลือกการกำหนดค่ามากมายสำหรับกลยุทธ์การแคช การจำลองแบบข้ามภูมิภาค และการปรับขนาดอัตโนมัติ ผู้ให้บริการแพลตฟอร์มข้อมูลทางการเกษตรสามารถปรับขยายขนาดได้อย่างรวดเร็วตามความต้องการของแอปพลิเคชัน และดำเนินการต่อเพื่อบรรลุประสิทธิภาพด้านต้นทุนโดยจ่ายเฉพาะสิ่งที่จำเป็นเท่านั้น

สรุป

โพสต์นี้มุ่งเน้นไปที่การประมวลผลข้อมูลเชิงพื้นที่ การนำข้อมูลเชิงลึกของการสำรวจระยะไกลที่เปิดใช้งาน ML ไปใช้ และวิธีการปรับปรุงและลดความซับซ้อนของการพัฒนาและเพิ่มประสิทธิภาพของแพลตฟอร์มข้อมูลพืชไร่บน AWS แสดงวิธีการและบริการต่างๆ ที่ผู้สร้างแพลตฟอร์มข้อมูลพืชไร่บนบริการ AWS สามารถใช้เพื่อให้บรรลุเป้าหมาย รวมถึง SageMaker, Lambda, Amazon S3, Open Data Exchange และ ElastiCache

หากต้องการติดตามสมุดบันทึกตัวอย่างแบบ end-to-end ที่สาธิตความสามารถเชิงพื้นที่ของ SageMaker ให้เข้าถึงสมุดบันทึกตัวอย่างที่มีอยู่ในรายการต่อไปนี้ พื้นที่เก็บข้อมูล GitHub. คุณสามารถตรวจสอบวิธีการระบุพื้นที่เกษตรกรรมผ่านแบบจำลองการแบ่งส่วน ML หรือสำรวจแบบจำลองเชิงพื้นที่ของ SageMaker ที่มีอยู่ก่อน และนำฟังก์ชันแบบจำลอง (BYOM) ของคุณเองมาใช้ในงานเชิงพื้นที่ เช่น การใช้ที่ดินและการจำแนกประเภทสิ่งปกคลุมที่ดิน สมุดบันทึกตัวอย่างแบบ end-to-end จะกล่าวถึงในรายละเอียดในโพสต์ที่แสดงร่วมกัน Xarvio เร่งไปป์ไลน์ของข้อมูลเชิงพื้นที่สำหรับการทำฟาร์มดิจิทัลด้วย Amazon SageMaker Geospatial ได้อย่างไร.

โปรดติดต่อเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่อุตสาหกรรมการเกษตรแก้ปัญหาสำคัญเกี่ยวกับการจัดหาอาหารทั่วโลก การตรวจสอบย้อนกลับ และการริเริ่มด้านความยั่งยืนโดยใช้ AWS Cloud

---

เกี่ยวกับผู้แต่ง

จะคอนราด เป็นหัวหน้าฝ่ายโซลูชันสำหรับอุตสาหกรรมการเกษตรที่ AWS เขามีความกระตือรือร้นในการช่วยให้ลูกค้าใช้เทคโนโลยีเพื่อปรับปรุงชีวิตความเป็นอยู่ของเกษตรกร ผลกระทบต่อสิ่งแวดล้อมของการเกษตร และประสบการณ์ผู้บริโภคสำหรับผู้ที่รับประทานอาหาร ในเวลาว่าง เขาซ่อมสิ่งต่างๆ เล่นกอล์ฟ และรับคำสั่งจากลูกทั้งสี่ของเขา

บิเชช อะธิการี เป็นสถาปนิกสร้างต้นแบบการเรียนรู้ของเครื่องที่ทีมสร้างต้นแบบ AWS เขาทำงานร่วมกับลูกค้า AWS เพื่อสร้างโซลูชันบนกรณีการใช้งาน AI และการเรียนรู้ของเครื่องต่างๆ เพื่อเร่งการเดินทางสู่การผลิต ในเวลาว่าง เขาชอบเดินป่า ท่องเที่ยว และใช้เวลากับครอบครัวและเพื่อนฝูง

ปริยังกะ มหากาลี เป็น Guidance Solutions Architect ที่ AWS มากกว่า 5 ปีในการสร้างโซลูชันข้ามอุตสาหกรรม รวมถึงเทคโนโลยีสำหรับลูกค้าด้านการเกษตรทั่วโลก เธอมีความกระตือรือร้นในการนำกรณีการใช้งานที่ทันสมัยไปสู่แถวหน้าและช่วยลูกค้าสร้างโซลูชันเชิงกลยุทธ์บน AWS

รอน ออสบอร์น เป็น AWS Global Technology Lead for Agriculture – WWSO และ Senior Solution Architect Ron ให้ความสำคัญกับการช่วยเหลือลูกค้าและคู่ค้าธุรกิจการเกษตรของ AWS ในการพัฒนาและปรับใช้โซลูชันที่ปลอดภัย ปรับขยายได้ ยืดหยุ่น ยืดหยุ่น และคุ้มค่า Ron เป็นผู้คลั่งไคล้จักรวาลวิทยา เป็นผู้คิดค้นนวัตกรรมที่เป็นที่ยอมรับภายใน ag-tech และมีความกระตือรือร้นในการวางตำแหน่งลูกค้าและพันธมิตรเพื่อการเปลี่ยนแปลงทางธุรกิจและความสำเร็จที่ยั่งยืน