โพสต์รับเชิญนี้เขียนร่วมโดย Lydia Lihui Zhang ผู้เชี่ยวชาญด้านการพัฒนาธุรกิจ และ Mansi Shah วิศวกรซอฟต์แวร์/นักวิทยาศาสตร์ข้อมูลของ Planet Labs ที่ การวิเคราะห์ที่เป็นแรงบันดาลใจให้กับโพสต์นี้ เดิมเขียนโดย Jennifer Reiber Kyle
ความสามารถเชิงพื้นที่ของ Amazon SageMaker รวมกับ ดาวเคราะห์ข้อมูลดาวเทียมของสามารถนำมาใช้สำหรับการแบ่งส่วนพืชผลได้ และมีการใช้งานมากมายและคุณประโยชน์ที่เป็นไปได้ของการวิเคราะห์นี้ในด้านการเกษตรและความยั่งยืน ในช่วงปลายปี 2023 แพลนเน็ต ประกาศความร่วมมือ ด้วย AWS เพื่อให้ข้อมูลเชิงพื้นที่พร้อมใช้งานผ่าน อเมซอน SageMaker.
การแบ่งส่วนครอบตัดเป็นกระบวนการแบ่งภาพดาวเทียมออกเป็นส่วนๆ ของพิกเซลหรือส่วนที่มีลักษณะครอบตัดคล้ายกัน ในโพสต์นี้ เราจะอธิบายวิธีใช้โมเดลการเรียนรู้ของเครื่องการแบ่งส่วน (ML) เพื่อระบุขอบเขตการครอบตัดและส่วนที่ไม่ครอบตัดในรูปภาพ
การระบุพื้นที่เพาะปลูกเป็นขั้นตอนหลักในการได้รับข้อมูลเชิงลึกทางการเกษตร และการรวมกันของข้อมูลเชิงพื้นที่ที่สมบูรณ์และ ML สามารถนำไปสู่ข้อมูลเชิงลึกที่ขับเคลื่อนการตัดสินใจและการดำเนินการ ตัวอย่างเช่น:
- การตัดสินใจทำฟาร์มโดยอาศัยข้อมูล – ด้วยการทำความเข้าใจเชิงพื้นที่ที่ดีขึ้นเกี่ยวกับพืชผล เกษตรกรและผู้มีส่วนได้ส่วนเสียทางการเกษตรอื่นๆ สามารถเพิ่มประสิทธิภาพการใช้ทรัพยากร ตั้งแต่น้ำไปจนถึงปุ๋ยไปจนถึงสารเคมีอื่นๆ ตลอดทั้งฤดูกาล นี่เป็นการวางรากฐานในการลดของเสีย ปรับปรุงแนวทางปฏิบัติด้านการเกษตรแบบยั่งยืนในทุกที่ที่เป็นไปได้ และเพิ่มผลผลิตพร้อมทั้งลดผลกระทบต่อสิ่งแวดล้อมให้เหลือน้อยที่สุด
- การระบุความเครียดและแนวโน้มที่เกี่ยวข้องกับสภาพภูมิอากาศ – เนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศยังคงส่งผลต่อรูปแบบอุณหภูมิและปริมาณน้ำฝนทั่วโลก การแบ่งส่วนพืชผลสามารถใช้เพื่อระบุพื้นที่ที่เสี่ยงต่อความเครียดที่เกี่ยวข้องกับสภาพภูมิอากาศสำหรับกลยุทธ์การปรับตัวต่อสภาพภูมิอากาศ ตัวอย่างเช่น คลังภาพถ่ายดาวเทียมสามารถใช้เพื่อติดตามการเปลี่ยนแปลงในพื้นที่ปลูกพืชเมื่อเวลาผ่านไป สิ่งเหล่านี้อาจเป็นการเปลี่ยนแปลงทางกายภาพในขนาดและการกระจายตัวของพื้นที่เพาะปลูก นอกจากนี้ยังอาจเป็นการเปลี่ยนแปลงของความชื้นในดิน อุณหภูมิของดิน และมวลชีวภาพ ซึ่งได้มาจากดัชนีสเปกตรัมที่แตกต่างกันของข้อมูลดาวเทียม เพื่อการวิเคราะห์สุขภาพพืชผลในเชิงลึก
- การประเมินและบรรเทาความเสียหาย – สุดท้ายนี้ การแบ่งส่วนพืชผลสามารถใช้เพื่อระบุพื้นที่ที่พืชผลเสียหายได้อย่างรวดเร็วและแม่นยำในกรณีเกิดภัยพิบัติทางธรรมชาติ ซึ่งสามารถช่วยจัดลำดับความสำคัญของความพยายามในการบรรเทาทุกข์ได้ ตัวอย่างเช่น หลังน้ำท่วม สามารถใช้ภาพถ่ายดาวเทียมที่มีจังหวะสูงเพื่อระบุพื้นที่ที่พืชผลจมอยู่ใต้น้ำหรือถูกทำลาย ช่วยให้องค์กรบรรเทาทุกข์สามารถช่วยเหลือเกษตรกรที่ได้รับผลกระทบได้เร็วขึ้น
ในการวิเคราะห์นี้ เราใช้แบบจำลอง K-nearest Neighbors (KNN) เพื่อดำเนินการแบ่งส่วนพืชผล และเราเปรียบเทียบผลลัพธ์เหล่านี้กับภาพถ่ายความจริงภาคพื้นดินในพื้นที่เกษตรกรรม ผลลัพธ์ของเราเปิดเผยว่าการจำแนกประเภทจากแบบจำลอง KNN เป็นตัวแทนสถานะของพื้นที่เพาะปลูกปัจจุบันในปี 2017 ได้แม่นยำกว่าข้อมูลการจำแนกความจริงภาคพื้นดินในปี 2015 ผลลัพธ์เหล่านี้เป็นข้อพิสูจน์ถึงพลังของภาพภูมิสารสนเทศที่มีจังหวะก้าวสูงของ Planet พื้นที่เกษตรกรรมเปลี่ยนแปลงบ่อยครั้ง บางครั้งหลายครั้งต่อฤดูกาล และการมีภาพถ่ายดาวเทียมความถี่สูงที่สามารถสังเกตและวิเคราะห์ที่ดินนี้สามารถให้คุณค่ามหาศาลแก่ความเข้าใจของเราเกี่ยวกับที่ดินเพื่อเกษตรกรรมและสภาพแวดล้อมที่เปลี่ยนแปลงอย่างรวดเร็ว
ความร่วมมือของ Planet และ AWS เกี่ยวกับ ML เชิงพื้นที่
ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้นักวิทยาศาสตร์ข้อมูลและวิศวกร ML สามารถสร้าง ฝึกอบรม และปรับใช้โมเดลโดยใช้ข้อมูลเชิงพื้นที่ ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้คุณสามารถแปลงหรือเพิ่มชุดข้อมูลเชิงพื้นที่ขนาดใหญ่ได้อย่างมีประสิทธิภาพ เร่งการสร้างแบบจำลองด้วยแบบจำลอง ML ที่ได้รับการฝึกอบรมล่วงหน้า และสำรวจการคาดการณ์แบบจำลองและข้อมูลเชิงพื้นที่บนแผนที่เชิงโต้ตอบโดยใช้กราฟิกเร่งความเร็ว 3 มิติและเครื่องมือแสดงภาพในตัว ด้วยความสามารถเชิงพื้นที่ของ SageMaker คุณสามารถประมวลผลชุดข้อมูลขนาดใหญ่ของภาพถ่ายดาวเทียมและข้อมูลเชิงพื้นที่อื่นๆ เพื่อสร้างโมเดล ML ที่แม่นยำสำหรับแอปพลิเคชันต่างๆ รวมถึงการแบ่งส่วนครอบตัด ซึ่งเราจะกล่าวถึงในโพสต์นี้
แพลนเน็ต แล็บส์ พีบีซี เป็นบริษัทชั้นนำด้านการถ่ายภาพโลกที่ใช้กองดาวเทียมขนาดใหญ่เพื่อจับภาพพื้นผิวโลกในแต่ละวัน ข้อมูลของ Planet จึงเป็นทรัพยากรที่มีคุณค่าสำหรับ ML เชิงพื้นที่ ภาพถ่ายดาวเทียมความละเอียดสูงสามารถใช้เพื่อระบุลักษณะพืชผลต่างๆ และสุขภาพของมันในช่วงเวลาหนึ่งๆ ได้ทุกที่บนโลก
ความร่วมมือระหว่าง Planet และ SageMaker ช่วยให้ลูกค้าสามารถเข้าถึงและวิเคราะห์ข้อมูลดาวเทียมความถี่สูงของ Planet ได้อย่างง่ายดายโดยใช้เครื่องมือ ML อันทรงพลังของ AWS นักวิทยาศาสตร์ด้านข้อมูลสามารถนำข้อมูลของตนเองหรือค้นหาและสมัครรับข้อมูลของ Planet ได้อย่างสะดวกโดยไม่ต้องเปลี่ยนสภาพแวดล้อม
การแบ่งส่วนครอบตัดในสมุดบันทึก Amazon SageMaker Studio พร้อมรูปภาพเชิงพื้นที่
ในตัวอย่างนี้เวิร์กโฟลว์ ML เชิงพื้นที่ เราจะดูวิธีนำข้อมูลของ Planet พร้อมด้วยแหล่งข้อมูลความจริงภาคพื้นดินมาสู่ SageMaker และวิธีการฝึก สรุป และปรับใช้โมเดลการแบ่งส่วนครอบตัดด้วยตัวแยกประเภท KNN สุดท้ายนี้ เราประเมินความถูกต้องของผลลัพธ์ของเราและเปรียบเทียบสิ่งนี้กับการจัดหมวดหมู่ความจริงภาคพื้นดินของเรา
ตัวแยกประเภท KNN ที่ใช้ได้รับการฝึกอบรมใน สมุดบันทึก Amazon SageMaker Studio พร้อมภูมิสารสนเทศ และมอบเคอร์เนลโน้ตบุ๊กที่ยืดหยุ่นและขยายได้สำหรับการทำงานกับข้อมูลเชิงพื้นที่
พื้นที่ สตูดิโอ Amazon SageMaker โน้ตบุ๊กที่มีรูปภาพเชิงพื้นที่มาพร้อมกับไลบรารีเชิงพื้นที่ที่ใช้กันทั่วไป เช่น GDAL, Fiona, GeoPandas, Shapely และ Rasterio ซึ่งให้การแสดงภาพและการประมวลผลข้อมูลเชิงพื้นที่โดยตรงภายในสภาพแวดล้อมโน้ตบุ๊ก Python ไลบรารี ML ทั่วไป เช่น OpenCV หรือ scikit-learn ยังใช้ในการแบ่งส่วนครอบตัดโดยใช้การจัดหมวดหมู่ KNN อีกด้วย และไลบรารีเหล่านี้ยังได้รับการติดตั้งในเคอร์เนลเชิงพื้นที่ด้วย
การเลือกข้อมูล
พื้นที่เกษตรกรรมที่เราขยายเข้าไปนั้นตั้งอยู่ที่เทศมณฑลแซคราเมนโตในรัฐแคลิฟอร์เนียซึ่งมีแสงแดดสดใส
ทำไมต้องแซคราเมนโต? การเลือกพื้นที่และเวลาสำหรับปัญหาประเภทนี้ถูกกำหนดโดยความพร้อมของข้อมูลความจริงภาคพื้นดินเป็นหลัก และข้อมูลดังกล่าวในประเภทพืชผลและข้อมูลขอบเขตนั้นไม่ใช่เรื่องง่าย ที่ ชุดข้อมูลแบบสำรวจ DWR การใช้ที่ดินในเขต Sacramento County ปี 2015 เป็นชุดข้อมูลที่เปิดเผยต่อสาธารณะซึ่งครอบคลุมเทศมณฑลแซคราเมนโตในปีนั้นและมีขอบเขตที่ปรับด้วยมือ
ภาพถ่ายดาวเทียมหลักที่เราใช้คือดาวเทียม 4 แบนด์ของดาวเคราะห์ ผลิตภัณฑ์พีเอสซีนซึ่งมีแถบสีน้ำเงิน เขียว แดง และ Near-IR และได้รับการแก้ไขทางเรดิโอเมตริกให้เป็นความกระจ่างที่เซ็นเซอร์ ค่าสัมประสิทธิ์สำหรับการแก้ไขการสะท้อนที่เซ็นเซอร์มีอยู่ในข้อมูลเมตาของฉาก ซึ่งช่วยปรับปรุงความสอดคล้องกันระหว่างภาพที่ถ่ายในเวลาที่ต่างกัน
ดาวเทียม Planet's Dove ที่สร้างภาพนี้เปิดตัวเมื่อวันที่ 14 กุมภาพันธ์ 2017 (ข่าวประชาสัมพันธ์) ดังนั้น พวกเขาจึงไม่ได้ถ่ายภาพเทศมณฑลแซคราเมนโตในปี 2015 อย่างไรก็ตาม พวกเขาได้ถ่ายภาพพื้นที่ดังกล่าวทุกวันนับตั้งแต่เปิดตัว ในตัวอย่างนี้ เราจัดการกับช่องว่าง 2 ปีที่ไม่สมบูรณ์ระหว่างข้อมูลความจริงภาคพื้นดินกับภาพถ่ายดาวเทียม อย่างไรก็ตาม ภาพที่มีความละเอียดต่ำกว่า Landsat 8 สามารถใช้เป็นสะพานเชื่อมระหว่างปี 2015 ถึง 2017
เข้าถึงข้อมูลแพลนเน็ต
เพื่อช่วยให้ผู้ใช้รับข้อมูลที่แม่นยำและดำเนินการได้รวดเร็วยิ่งขึ้น Planet ยังได้พัฒนา Planet Software Development Kit (SDK) สำหรับ Python นี่เป็นเครื่องมืออันทรงพลังสำหรับนักวิทยาศาสตร์ข้อมูลและนักพัฒนาที่ต้องการทำงานกับภาพถ่ายดาวเทียมและข้อมูลภูมิสารสนเทศอื่นๆ ด้วย SDK นี้ คุณสามารถค้นหาและเข้าถึงคอลเลกชันภาพถ่ายดาวเทียมความละเอียดสูงจำนวนมากของ Planet รวมถึงข้อมูลจากแหล่งอื่น เช่น OpenStreetMap SDK มอบไคลเอนต์ Python ให้กับ API ของ Planet รวมถึงโซลูชัน command line interface (CLI) แบบไม่ต้องใช้โค้ด ทำให้ง่ายต่อการรวมภาพถ่ายดาวเทียมและข้อมูลเชิงพื้นที่เข้ากับเวิร์กโฟลว์ Python ตัวอย่างนี้ใช้ไคลเอนต์ Python เพื่อระบุและดาวน์โหลดภาพที่จำเป็นสำหรับการวิเคราะห์
คุณสามารถติดตั้งไคลเอนต์ Planet Python ในสมุดบันทึก SageMaker Studio พร้อมรูปภาพเชิงพื้นที่ได้โดยใช้คำสั่งง่ายๆ:
คุณสามารถใช้ไคลเอนต์เพื่อค้นหาภาพถ่ายดาวเทียมที่เกี่ยวข้อง และรับรายการผลลัพธ์ที่มีอยู่ตามพื้นที่ที่สนใจ ช่วงเวลา และเกณฑ์การค้นหาอื่น ๆ ในตัวอย่างต่อไปนี้ เราเริ่มด้วยการถามว่าจำนวนเท่าไร ฉากดาวเคราะห์สโคป (ภาพถ่ายรายวันของดาวเคราะห์) ครอบคลุมพื้นที่ที่สนใจ (AOI) เดียวกันกับที่เรากำหนดไว้ก่อนหน้านี้ผ่านข้อมูลภาคพื้นดินในแซคราเมนโต โดยกำหนดช่วงเวลาระหว่างวันที่ 1 มิถุนายนถึง 1 ตุลาคม พ.ศ. 2017 รวมถึงช่วงการครอบคลุมคลาวด์สูงสุดที่ต้องการที่ 10%:
ผลลัพธ์ที่ได้จะแสดงจำนวนฉากที่ตรงกันซึ่งทับซ้อนกับพื้นที่ที่เราสนใจ นอกจากนี้ยังมีข้อมูลเมตาของแต่ละฉาก รหัสรูปภาพ และการอ้างอิงรูปภาพตัวอย่าง
หลังจากเลือกฉากใดฉากหนึ่งแล้ว พร้อมด้วยข้อกำหนดเกี่ยวกับรหัสฉาก ประเภทรายการ และชุดผลิตภัณฑ์ (เอกสารอ้างอิง) คุณสามารถใช้โค้ดต่อไปนี้เพื่อดาวน์โหลดรูปภาพและข้อมูลเมตาของรูปภาพได้:
รหัสนี้จะดาวน์โหลดภาพดาวเทียมที่เกี่ยวข้องไปที่ ระบบไฟล์ Amazon Elastic วอลุ่ม (Amazon EFS) สำหรับ SageMaker Studio
การฝึกโมเดล
หลังจากดาวน์โหลดข้อมูลด้วยไคลเอนต์ Planet Python แล้ว จะสามารถฝึกโมเดลการแบ่งส่วนได้ ในตัวอย่างนี้ มีการใช้การผสมผสานระหว่างการจำแนกประเภท KNN และเทคนิคการแบ่งส่วนรูปภาพเพื่อระบุพื้นที่ครอบตัดและสร้างคุณลักษณะ geojson ที่อ้างอิงทางภูมิศาสตร์
ข้อมูล Planet ได้รับการโหลดและประมวลผลล่วงหน้าโดยใช้ไลบรารีภูมิสารสนเทศและเครื่องมือในตัวใน SageMaker เพื่อเตรียมพร้อมสำหรับการฝึกตัวแยกประเภท KNN ข้อมูลความจริงภาคพื้นดินสำหรับการฝึกอบรมคือชุดข้อมูลการสำรวจการใช้ที่ดินของเทศมณฑลแซคราเมนโตจากปี 2015 และข้อมูล Planet จากปี 2017 ใช้สำหรับการทดสอบแบบจำลอง
แปลงคุณสมบัติความจริงภาคพื้นดินเป็นรูปทรง
หากต้องการฝึกตัวแยกประเภท KNN ให้จัดคลาสของแต่ละพิกเซลเป็นอย่างใดอย่างหนึ่ง crop
or non-crop
จำเป็นต้องระบุ คลาสนี้พิจารณาจากว่าพิกเซลเชื่อมโยงกับฟีเจอร์การครอบตัดในข้อมูลความจริงภาคพื้นดินหรือไม่ ในการตัดสินใจนี้ ข้อมูลพื้นฐานจะถูกแปลงเป็นรูปทรง OpenCV ก่อน จากนั้นจึงใช้เพื่อแยกข้อมูล crop
ราคาเริ่มต้นที่ non-crop
พิกเซล จากนั้นค่าพิกเซลและการจำแนกประเภทจะถูกนำมาใช้ในการฝึกตัวแยกประเภท KNN
ในการแปลงคุณสมบัติความจริงภาคพื้นดินเป็นรูปทรง จะต้องฉายคุณสมบัติดังกล่าวไปยังระบบอ้างอิงพิกัดของภาพก่อน จากนั้น คุณลักษณะต่างๆ จะถูกแปลงเป็นพื้นที่รูปภาพ และสุดท้ายถูกแปลงเป็นรูปทรง เพื่อให้มั่นใจในความถูกต้องของรูปทรง รูปทรงเหล่านั้นจะถูกมองเห็นซ้อนทับบนรูปภาพอินพุต ดังที่แสดงในตัวอย่างต่อไปนี้
ในการฝึกตัวแยกประเภท KNN พิกเซลครอบตัดและพิกเซลที่ไม่ครอบตัดจะถูกแยกออกโดยใช้รูปทรงของฟีเจอร์ครอบตัดเป็นตัวพราง
อินพุตของตัวแยกประเภท KNN ประกอบด้วยชุดข้อมูลสองชุด: X ซึ่งเป็นอาร์เรย์ 2d ที่มีคุณสมบัติที่จะจัดประเภท; และ y อาร์เรย์ 1d ที่ให้คลาส (ตัวอย่าง). ในที่นี้ แบนด์ที่จำแนกประเภทเดียวจะถูกสร้างขึ้นจากชุดข้อมูลที่ไม่ครอบตัดและครอบตัด โดยที่ค่าของแบนด์จะระบุคลาสพิกเซล จากนั้นค่าแบนด์และค่าแบนด์พิกเซลของรูปภาพที่ซ่อนอยู่จะถูกแปลงเป็นอินพุต X และ y สำหรับฟังก์ชันการปรับตัวลักษณนาม
ฝึกลักษณนามเกี่ยวกับพิกเซลครอบตัดและพิกเซลที่ไม่ครอบตัด
การจำแนกประเภท KNN ดำเนินการด้วย scikit-เรียนรู้ KNeighborsClassifier. จำนวนเพื่อนบ้านซึ่งเป็นพารามิเตอร์ที่ส่งผลกระทบอย่างมากต่อประสิทธิภาพของตัวประมาณค่า ได้รับการปรับแต่งโดยใช้การตรวจสอบข้ามในการตรวจสอบความถูกต้องข้ามของ KNN จากนั้นตัวแยกประเภทจะได้รับการฝึกโดยใช้ชุดข้อมูลที่เตรียมไว้และจำนวนพารามิเตอร์เพื่อนบ้านที่ปรับแล้ว ดูรหัสต่อไปนี้:
เพื่อประเมินประสิทธิภาพของตัวแยกประเภทในข้อมูลอินพุต คลาสพิกเซลจะถูกคาดการณ์โดยใช้ค่าย่านความถี่พิกเซล ประสิทธิภาพของตัวแยกประเภทจะขึ้นอยู่กับความถูกต้องของข้อมูลการฝึกเป็นหลักและการแยกคลาสพิกเซลอย่างชัดเจนตามข้อมูลอินพุต (ค่าแถบพิกเซล) พารามิเตอร์ของตัวแยกประเภท เช่น จำนวนเพื่อนบ้านและฟังก์ชันการถ่วงน้ำหนักระยะทาง สามารถปรับเปลี่ยนได้เพื่อชดเชยความไม่ถูกต้องใดๆ ในภายหลัง ดูรหัสต่อไปนี้:
ประเมินการคาดการณ์แบบจำลอง
ตัวแยกประเภท KNN ที่ได้รับการฝึกอบรมใช้เพื่อทำนายพื้นที่เพาะปลูกในข้อมูลทดสอบ ข้อมูลการทดสอบนี้ประกอบด้วยภูมิภาคที่ไม่ได้สัมผัสกับโมเดลระหว่างการฝึก กล่าวอีกนัยหนึ่ง แบบจำลองไม่มีความรู้เกี่ยวกับพื้นที่ก่อนการวิเคราะห์ ดังนั้นข้อมูลนี้จึงสามารถใช้เพื่อประเมินประสิทธิภาพของแบบจำลองอย่างเป็นกลางได้ เราเริ่มต้นด้วยการตรวจสอบภูมิภาคต่างๆ ด้วยสายตา โดยเริ่มจากภูมิภาคที่ค่อนข้างมีเสียงดังกว่า
การตรวจสอบด้วยภาพเผยให้เห็นว่าคลาสที่ทำนายนั้นส่วนใหญ่สอดคล้องกับคลาสความจริงภาคพื้นดิน มีการเบี่ยงเบนบางส่วน ซึ่งเราจะตรวจสอบเพิ่มเติม
จากการตรวจสอบเพิ่มเติม เราพบว่าเสียงรบกวนบางส่วนในภูมิภาคนี้มีสาเหตุมาจากข้อมูลความจริงภาคพื้นดินขาดรายละเอียดที่มีอยู่ในภาพที่จัดประเภท (ขวาบนเทียบกับซ้ายบนและซ้ายล่าง) การค้นพบที่น่าสนใจอย่างยิ่งคือตัวจําแนกระบุต้นไม้ริมแม่น้ำเป็น non-crop
ในขณะที่ข้อมูลความจริงภาคพื้นดินระบุอย่างผิดพลาดว่าเป็น crop
. ความแตกต่างระหว่างการแบ่งส่วนทั้งสองนี้อาจเนื่องมาจากต้นไม้บังพื้นที่เหนือพืชผล
ต่อไปนี้ เราจะตรวจสอบภูมิภาคอื่นที่ได้รับการจำแนกประเภทที่แตกต่างกันระหว่างทั้งสองวิธี ภูมิภาคที่ไฮไลต์เหล่านี้ก่อนหน้านี้ถูกทำเครื่องหมายเป็นพื้นที่ที่ไม่ใช่พืชผลในข้อมูลความจริงภาคพื้นดินในปี 2015 (ขวาบน) แต่มีการเปลี่ยนแปลงและแสดงอย่างชัดเจนว่าเป็นพื้นที่เพาะปลูกในปี 2017 ผ่านทางฉาก Planetscope (ซ้ายบนและซ้ายล่าง) พวกเขายังถูกจัดประเภทเป็นพื้นที่เพาะปลูกส่วนใหญ่ผ่านตัวแยกประเภท (ล่างขวา)
ขอย้ำอีกครั้งว่าตัวแยกประเภท KNN นำเสนอผลลัพธ์ที่ละเอียดกว่าคลาสความจริงภาคพื้นดิน และยังบันทึกการเปลี่ยนแปลงที่เกิดขึ้นในพื้นที่เพาะปลูกได้สำเร็จอีกด้วย ตัวอย่างนี้ยังกล่าวถึงคุณค่าของข้อมูลดาวเทียมที่รีเฟรชทุกวัน เนื่องจากโลกมักจะเปลี่ยนแปลงเร็วกว่ารายงานประจำปีมาก และวิธีการรวมกับ ML เช่นนี้สามารถช่วยให้เรารับการเปลี่ยนแปลงที่เกิดขึ้นได้ ความสามารถในการติดตามและค้นพบการเปลี่ยนแปลงดังกล่าวผ่านข้อมูลดาวเทียม โดยเฉพาะอย่างยิ่งในพื้นที่เกษตรกรรมที่กำลังพัฒนา ช่วยให้เกษตรกรได้รับข้อมูลเชิงลึกที่เป็นประโยชน์เพื่อเพิ่มประสิทธิภาพการทำงานและผู้มีส่วนได้ส่วนเสียทางการเกษตรในห่วงโซ่คุณค่าเพื่อให้เข้าใจถึงฤดูกาลได้ดีขึ้น
การประเมินแบบจำลอง
การเปรียบเทียบภาพของคลาสที่คาดการณ์ไว้กับคลาสความจริงภาคพื้นดินอาจเป็นแบบอัตวิสัย และไม่สามารถนำไปสรุปทั่วไปเพื่อประเมินความถูกต้องของผลการจำแนกประเภทได้ เพื่อให้ได้การประเมินเชิงปริมาณ เราได้รับเกณฑ์การจำแนกประเภทโดยใช้ scikit-learn's classification_report
ฟังก์ชั่น:
การจัดหมวดหมู่พิกเซลใช้เพื่อสร้างมาสก์การแบ่งส่วนของพื้นที่ครอบตัด ทำให้ทั้งความแม่นยำและการจดจำตัวชี้วัดที่สำคัญ และคะแนน F1 ก็เป็นการวัดโดยรวมที่ดีสำหรับการทำนายความแม่นยำ ผลลัพธ์ของเราให้หน่วยเมตริกสำหรับทั้งภูมิภาคครอบตัดและไม่ใช่ครอบตัดในชุดข้อมูลฝึกและทดสอบ อย่างไรก็ตาม เพื่อให้ทุกอย่างง่ายขึ้น เรามาดูรายละเอียดเมตริกเหล่านี้ในบริบทของพื้นที่ครอบตัดในชุดข้อมูลทดสอบกันดีกว่า
ความแม่นยำคือการวัดความแม่นยำของการคาดการณ์เชิงบวกของแบบจำลองของเรา ในกรณีนี้ ความแม่นยำ 0.94 สำหรับพื้นที่เพาะปลูกบ่งชี้ว่าแบบจำลองของเราประสบความสำเร็จอย่างมากในการระบุพื้นที่ที่เป็นพื้นที่เพาะปลูกอย่างแท้จริง โดยที่ผลบวกลวง (พื้นที่ที่ไม่ใช่พืชจริงซึ่งระบุอย่างไม่ถูกต้องว่าเป็นพื้นที่เพาะปลูก) จะลดลง ในทางกลับกัน จำได้ว่าวัดความสมบูรณ์ของการทำนายเชิงบวก กล่าวอีกนัยหนึ่ง การเรียกคืนจะวัดสัดส่วนของผลบวกจริงที่ระบุอย่างถูกต้อง ในกรณีของเรา ค่าการเรียกคืนที่ 0.73 สำหรับขอบเขตการครอบตัดหมายความว่า 73% ของพิกเซลของขอบเขตการครอบตัดที่แท้จริงทั้งหมดได้รับการระบุอย่างถูกต้อง ซึ่งจะช่วยลดจำนวนการลบล้างที่ผิดพลาดให้เหลือน้อยที่สุด
ตามหลักการแล้ว ควรใช้ค่าที่สูงทั้งความแม่นยำและการเรียกคืน แม้ว่าค่านี้จะขึ้นอยู่กับการประยุกต์ใช้กรณีศึกษาเป็นส่วนใหญ่ก็ตาม ตัวอย่างเช่น หากเรากำลังตรวจสอบผลลัพธ์เหล่านี้สำหรับเกษตรกรที่ต้องการระบุพื้นที่เพาะปลูกเพื่อการเกษตร เราต้องการให้ความสำคัญกับการเรียกคืนที่สูงกว่าความแม่นยำ เพื่อลดจำนวนของผลลบลวง (พื้นที่ที่ระบุว่าเป็นพื้นที่ที่ไม่ใช่พืชผลที่ เป็นพื้นที่เพาะปลูกจริง) เพื่อให้เกิดประโยชน์สูงสุดจากที่ดิน คะแนน F1 ทำหน้าที่เป็นตัววัดความแม่นยำโดยรวมที่ผสมผสานทั้งความแม่นยำและการเรียกคืน และการวัดความสมดุลระหว่างทั้งสองตัวชี้วัด คะแนน F1 ที่สูง เช่น คะแนนของเราสำหรับพื้นที่เพาะปลูก (0.82) บ่งชี้ถึงความสมดุลที่ดีระหว่างทั้งความแม่นยำและการเรียกคืน และความแม่นยำในการจำแนกประเภทโดยรวมในระดับสูง แม้ว่าคะแนน F1 จะลดลงระหว่างชุดข้อมูลรถไฟและชุดทดสอบ แต่ก็เป็นไปตามที่คาดไว้เนื่องจากตัวแยกประเภทได้รับการฝึกอบรมในชุดข้อมูลรถไฟ คะแนน F1 เฉลี่ยถ่วงน้ำหนักโดยรวมที่ 0.77 นั้นมีแนวโน้มดีและเพียงพอที่จะลองใช้แผนการแบ่งส่วนในข้อมูลที่จัดประเภท
สร้างมาสก์การแบ่งส่วนจากตัวแยกประเภท
การสร้างมาสก์การแบ่งส่วนโดยใช้การคาดการณ์จากตัวแยกประเภท KNN บนชุดข้อมูลทดสอบเกี่ยวข้องกับการล้างเอาต์พุตที่คาดการณ์ไว้ เพื่อหลีกเลี่ยงส่วนเล็กๆ ที่เกิดจากสัญญาณรบกวนของภาพ เพื่อลบจุดรบกวน เราใช้ OpenCV ตัวกรองเบลอเฉลี่ย. ตัวกรองนี้รักษาการแบ่งแยกถนนระหว่างพืชผลได้ดีกว่าการดำเนินการเปิดทางสัณฐานวิทยา
หากต้องการใช้การแบ่งส่วนแบบไบนารีกับเอาท์พุตดีนอยซ์ อันดับแรกเราต้องแปลงข้อมูลแรสเตอร์ที่แยกประเภทเป็นคุณสมบัติเวกเตอร์โดยใช้ OpenCV ค้นหารูปร่าง ฟังก์ชัน
ในที่สุด พื้นที่เพาะปลูกที่แบ่งส่วนตามจริงสามารถคำนวณได้โดยใช้โครงร่างการครอบตัดแบบแบ่งส่วน
พื้นที่เพาะปลูกแบบแบ่งส่วนที่สร้างจากตัวแยกประเภท KNN ช่วยให้สามารถระบุพื้นที่เพาะปลูกในชุดข้อมูลทดสอบได้อย่างแม่นยำ ภูมิภาคที่แบ่งกลุ่มเหล่านี้สามารถใช้เพื่อวัตถุประสงค์ต่างๆ เช่น การระบุขอบเขตของฟิลด์ การตรวจสอบพืชผล การประมาณผลผลิต และการจัดสรรทรัพยากร คะแนน F1 ที่ได้ 0.77 ถือว่าดีและเป็นหลักฐานว่าตัวแยกประเภท KNN เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการแบ่งส่วนครอบตัดในภาพการสำรวจระยะไกล ผลลัพธ์เหล่านี้สามารถนำไปใช้ในการปรับปรุงและปรับแต่งเทคนิคการแบ่งส่วนพืชเพิ่มเติม ซึ่งอาจนำไปสู่ความแม่นยำและประสิทธิภาพที่เพิ่มขึ้นในการวิเคราะห์พืชผล
สรุป
โพสต์นี้สาธิตวิธีการใช้ชุดค่าผสมของ ดาวเคราะห์ จังหวะสูง ภาพดาวเทียมความละเอียดสูง และ ความสามารถเชิงพื้นที่ของ SageMaker เพื่อทำการวิเคราะห์การแบ่งส่วนพืชผล ปลดล็อกข้อมูลเชิงลึกที่มีคุณค่าซึ่งสามารถปรับปรุงประสิทธิภาพทางการเกษตร ความยั่งยืนด้านสิ่งแวดล้อม และความมั่นคงทางอาหาร การระบุภูมิภาคของพืชผลอย่างแม่นยำช่วยให้สามารถวิเคราะห์การเจริญเติบโตและผลผลิตของพืช การติดตามการเปลี่ยนแปลงการใช้ที่ดิน และการตรวจจับความเสี่ยงด้านความมั่นคงทางอาหารที่อาจเกิดขึ้น
นอกจากนี้ การผสมผสานระหว่างข้อมูล Planet และ SageMaker ยังนำเสนอกรณีการใช้งานที่หลากหลาย นอกเหนือจากการแบ่งส่วนครอบตัด ข้อมูลเชิงลึกสามารถเปิดใช้งานการตัดสินใจโดยอาศัยข้อมูลในการจัดการพืชผล การจัดสรรทรัพยากร และการวางแผนนโยบายในภาคเกษตรกรรมเพียงอย่างเดียว ด้วยข้อมูลและโมเดล ML ที่แตกต่างกัน ข้อเสนอที่รวมกันนี้สามารถขยายไปสู่อุตสาหกรรมอื่นๆ และกรณีการใช้งานไปสู่การเปลี่ยนแปลงทางดิจิทัล การเปลี่ยนแปลงที่ยั่งยืน และความปลอดภัย
หากต้องการเริ่มใช้ความสามารถเชิงพื้นที่ของ SageMaker โปรดดู เริ่มต้นใช้งานความสามารถเชิงพื้นที่ของ Amazon SageMaker.
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับข้อกำหนดเฉพาะของภาพของ Planet และเอกสารอ้างอิงสำหรับนักพัฒนา โปรดไปที่ ศูนย์นักพัฒนาดาวเคราะห์. สำหรับเอกสารประกอบเกี่ยวกับ SDK ของ Planet สำหรับ Python โปรดดู Planet SDK สำหรับ Python. หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับ Planet รวมถึงผลิตภัณฑ์ข้อมูลที่มีอยู่และการเปิดตัวผลิตภัณฑ์ที่กำลังจะเปิดตัว โปรดไปที่ https://www.planet.com/.
แถลงการณ์เชิงคาดการณ์ล่วงหน้าของ Planet Labs PBC
ยกเว้นข้อมูลในอดีตที่มีอยู่ในที่นี้ เรื่องที่กำหนดไว้ในบล็อกโพสต์นี้เป็นข้อความคาดการณ์ล่วงหน้าตามความหมายของบทบัญญัติ "ความคุ้มครอง" ของพระราชบัญญัติการปฏิรูปการฟ้องร้องคดีหลักทรัพย์ส่วนบุคคลปี 1995 ซึ่งรวมถึงแต่ไม่จำกัดเพียง Planet Labs ความสามารถของ PBC ในการคว้าโอกาสทางการตลาดและตระหนักถึงผลประโยชน์ที่อาจเกิดขึ้นจากการปรับปรุงผลิตภัณฑ์ในปัจจุบันหรือในอนาคต ผลิตภัณฑ์ใหม่ หรือความร่วมมือเชิงกลยุทธ์และความร่วมมือกับลูกค้า ข้อความคาดการณ์ล่วงหน้าขึ้นอยู่กับความเชื่อของฝ่ายบริหารของ Planet Labs PBC ตลอดจนสมมติฐานที่ทำโดย และข้อมูลที่มีอยู่ในปัจจุบัน เนื่องจากข้อความดังกล่าวขึ้นอยู่กับความคาดหวังเกี่ยวกับเหตุการณ์และผลลัพธ์ในอนาคต และไม่ใช่ข้อความข้อเท็จจริง ผลลัพธ์ที่แท้จริงจึงอาจแตกต่างอย่างมากจากที่คาดการณ์ไว้ ปัจจัยที่อาจทำให้ผลลัพธ์ที่แท้จริงแตกต่างอย่างมากจากการคาดการณ์ในปัจจุบัน รวมถึงแต่ไม่จำกัดเพียงปัจจัยเสี่ยงและการเปิดเผยอื่นๆ เกี่ยวกับ Planet Labs PBC และธุรกิจของบริษัทที่รวมอยู่ในรายงานตามระยะเวลาของ Planet Labs PBC หนังสือมอบฉันทะ และเอกสารการเปิดเผยข้อมูลอื่นๆ ที่ยื่นตามเวลา ถึงเวลากับสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์ (ก.ล.ต.) ซึ่งสามารถออนไลน์ได้ที่ www.sec.govและบนเว็บไซต์ของ Planet Labs PBC ที่ www.planet.com ข้อความคาดการณ์ล่วงหน้าทั้งหมดสะท้อนถึงความเชื่อและสมมติฐานของ Planet Labs PBC ณ วันที่จัดทำข้อความดังกล่าวเท่านั้น Planet Labs PBC ไม่มีภาระผูกพันในการปรับปรุงข้อความคาดการณ์ล่วงหน้าเพื่อสะท้อนถึงเหตุการณ์หรือสถานการณ์ในอนาคต
เกี่ยวกับผู้แต่ง
ลิเดีย ลี่หุย จาง เป็นผู้เชี่ยวชาญด้านการพัฒนาธุรกิจที่ Planet Labs PBC ซึ่งเธอช่วยเชื่อมโยงพื้นที่เพื่อทำให้โลกดีขึ้นในภาคส่วนต่างๆ และกรณีการใช้งานมากมาย ก่อนหน้านี้ เธอเป็นนักวิทยาศาสตร์ข้อมูลที่ McKinsey ACRE ซึ่งเป็นโซลูชันที่เน้นด้านการเกษตร เธอสำเร็จการศึกษาวิทยาศาสตรมหาบัณฑิตจากโครงการนโยบายเทคโนโลยีของ MIT โดยเน้นด้านนโยบายอวกาศ ข้อมูลเชิงพื้นที่และผลกระทบในวงกว้างต่อธุรกิจและความยั่งยืนเป็นจุดสนใจในอาชีพของเธอ
มานซี ชาห์ เป็นวิศวกรซอฟต์แวร์ นักวิทยาศาสตร์ข้อมูล และนักดนตรีที่ทำงานสำรวจพื้นที่ที่ความเข้มงวดทางศิลปะและความอยากรู้อยากเห็นทางเทคนิคมาบรรจบกัน เธอเชื่อว่าข้อมูล (เช่น ศิลปะ!) เลียนแบบชีวิต และสนใจเรื่องราวอันลึกซึ้งของมนุษย์ที่อยู่เบื้องหลังตัวเลขและบันทึกต่างๆ
เซี่ยงโจว เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสที่ AWS เขาเป็นผู้นำทีมวิทยาศาสตร์ด้านความสามารถเชิงพื้นที่ของ Amazon SageMaker งานวิจัยในปัจจุบันของเขา ได้แก่ คอมพิวเตอร์วิทัศน์และการฝึกอบรมโมเดลที่มีประสิทธิภาพ ในเวลาว่าง เขาสนุกกับการวิ่ง เล่นบาสเก็ตบอล และใช้เวลาอยู่กับครอบครัว
ยานอช วอชิตซ์ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งเชี่ยวชาญด้าน AI/ML เชิงพื้นที่ ด้วยประสบการณ์กว่า 15 ปี เขาสนับสนุนลูกค้าทั่วโลกในการใช้ประโยชน์จาก AI และ ML สำหรับโซลูชันที่เป็นนวัตกรรมที่ใช้ประโยชน์จากข้อมูลเชิงพื้นที่ ความเชี่ยวชาญของเขาครอบคลุมการเรียนรู้ของเครื่องจักร วิศวกรรมข้อมูล และระบบกระจายที่ปรับขนาดได้ เสริมด้วยภูมิหลังที่แข็งแกร่งในด้านวิศวกรรมซอฟต์แวร์และความเชี่ยวชาญในอุตสาหกรรมในโดเมนที่ซับซ้อน เช่น การขับขี่แบบอัตโนมัติ
ชิตาล ดาคาล เป็นผู้จัดการโปรแกรมอาวุโสของทีม ML เชิงพื้นที่ของ SageMaker ซึ่งประจำอยู่ที่บริเวณอ่าวซานฟรานซิสโก เขามีพื้นฐานในด้านการสำรวจระยะไกลและระบบสารสนเทศภูมิศาสตร์ (GIS) เขาหลงใหลในการทำความเข้าใจปัญหาของลูกค้าและสร้างผลิตภัณฑ์เชิงพื้นที่เพื่อแก้ปัญหาเหล่านั้น ในเวลาว่าง เขาชอบเดินป่า ท่องเที่ยว และเล่นเทนนิส
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 14
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- ประสบความสำเร็จ
- ที่ได้มา
- เอเคอร์
- ข้าม
- กระทำ
- การปฏิบัติ
- ที่เกิดขึ้นจริง
- จริง
- การปรับตัว
- ปรับ
- มีผลต่อ
- น่าสงสาร
- หลังจาก
- การเกษตร
- เกษตรกรรม
- AI
- AI / ML
- ทั้งหมด
- การจัดสรร
- อนุญาต
- การอนุญาต
- คนเดียว
- ตาม
- ด้วย
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker เชิงพื้นที่
- สตูดิโอ Amazon SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- วิเคราะห์
- และ
- ประจำปี
- อื่น
- ใด
- ทุกแห่ง
- APIs
- การใช้งาน
- การใช้งาน
- ประยุกต์
- ใช้
- หอจดหมายเหตุ
- เป็น
- AREA
- พื้นที่
- แถว
- ศิลปะ
- AS
- ขอให้
- ประเมินผล
- การประเมิน
- การประเมินผล
- สินทรัพย์
- ช่วยเหลือ
- ที่เกี่ยวข้อง
- สมมติฐาน
- At
- เติม
- อิสระ
- ความพร้อมใช้งาน
- ใช้ได้
- เฉลี่ย
- หลีกเลี่ยง
- รอคอย
- AWS
- กลับ
- พื้นหลัง
- ยอดคงเหลือ
- วงดนตรี
- วงดนตรี
- บาร์
- ตาม
- รากฐาน
- บาสเกตบอล
- อ่าว
- BE
- เพราะ
- รับ
- การเริ่มต้น
- หลัง
- กำลัง
- ความเชื่อ
- เชื่อ
- ประโยชน์ที่ได้รับ
- ดีกว่า
- การดีขึ้น
- ระหว่าง
- เกิน
- บล็อก
- สีน้ำเงิน
- เบลอ
- ทั้งสอง
- ด้านล่าง
- เขตแดน
- เขตแดน
- สะพาน
- นำมาซึ่ง
- ที่กว้างขึ้น
- สร้าง
- การก่อสร้าง
- built-in
- การรวมกลุ่ม
- ธุรกิจ
- การพัฒนาธุรกิจ
- แต่
- by
- CA
- แคลิฟอร์เนีย
- CAN
- ความสามารถในการ
- ประโยชน์
- จับ
- จับ
- ความก้าวหน้า
- กรณี
- กรณีศึกษา
- กรณี
- ก่อให้เกิด
- ที่เกิดจาก
- บาง
- โซ่
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- การเปลี่ยนแปลง
- ลักษณะ
- สถานการณ์
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- จัด
- การทำความสะอาด
- ชัดเจน
- อย่างเห็นได้ชัด
- CLF
- ไคลเอนต์
- ภูมิอากาศ
- อากาศเปลี่ยนแปลง
- ใกล้ชิด
- เมฆ
- รหัส
- ความร่วมมือ
- ชุด
- ชน
- COM
- การผสมผสาน
- รวม
- การรวมกัน
- อย่างไร
- มา
- คณะกรรมาธิการ
- ร่วมกัน
- อย่างธรรมดา
- บริษัท
- ติดจะ
- เปรียบเทียบ
- เมื่อเทียบกับ
- การเปรียบเทียบ
- ซับซ้อน
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ความประพฤติ
- เชื่อมต่อ
- คงเส้นคงวา
- ประกอบ
- ที่มีอยู่
- มี
- สิ่งแวดล้อม
- อย่างต่อเนื่อง
- แปลง
- แปลง
- ประสานงาน
- แกน
- การแก้ไข
- ตรงกัน
- ได้
- มณฑล
- หน้าปก
- ความคุ้มครอง
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- การสร้าง
- เกณฑ์
- พืชผล
- พืช
- ความอยากรู้
- ปัจจุบัน
- ขณะนี้
- ลูกค้า
- ลูกค้า
- ประจำวัน
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ชุดข้อมูล
- วันที่
- การตัดสินใจ
- ลึก
- กำหนด
- กำหนด
- แสดงให้เห็นถึง
- ขึ้นอยู่กับ
- ปรับใช้
- ที่ได้มา
- ที่ต้องการ
- ทำลาย
- รายละเอียด
- การตรวจพบ
- การกำหนด
- แน่นอน
- พัฒนา
- ผู้พัฒนา
- นักพัฒนา
- พัฒนาการ
- การเบี่ยงเบน
- แตกต่าง
- ความแตกต่าง
- ต่าง
- ดิจิตอล
- แปลงดิจิตอล
- โดยตรง
- ภัยพิบัติ
- การเปิดเผย
- ค้นพบ
- ค้นพบ
- สนทนา
- ระยะทาง
- กระจาย
- ระบบกระจาย
- การกระจาย
- เอกสาร
- โดเมน
- นกพิราบ
- ดาวน์โหลด
- ดาวน์โหลด
- ขับรถ
- การขับขี่
- หยด
- สอง
- ในระหว่าง
- แต่ละ
- ก่อน
- โลก
- อย่างง่ายดาย
- ง่าย
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ความพยายาม
- ทั้ง
- ให้อำนาจ
- ทำให้สามารถ
- ช่วยให้
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- ปรับปรุง
- พอ
- ประเทือง
- ทำให้มั่นใจ
- สิ่งแวดล้อม
- สิ่งแวดล้อม
- ความยั่งยืนของสิ่งแวดล้อม
- สภาพแวดล้อม
- โดยเฉพาะอย่างยิ่ง
- ประเมินค่า
- เหตุการณ์
- เหตุการณ์
- หลักฐาน
- การพัฒนา
- การตรวจสอบ
- ตัวอย่าง
- ตลาดแลกเปลี่ยน
- ที่มีอยู่
- แสดง
- ความคาดหวัง
- ที่คาดหวัง
- ประสบการณ์
- ความชำนาญ
- สำรวจ
- สำรวจ
- ที่เปิดเผย
- f1
- ความจริง
- ปัจจัย
- เท็จ
- ครอบครัว
- เกษตรกร
- การทำฟาร์ม
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- กุมภาพันธ์
- ปุ๋ย
- สองสาม
- สนาม
- สาขา
- เนื้อไม่มีมัน
- ยื่น
- กรอง
- ในที่สุด
- หา
- หา
- fiona
- ชื่อจริง
- พอดี
- FLEET
- มีความยืดหยุ่น
- น้ำท่วม
- โฟกัส
- โดยมุ่งเน้น
- ดังต่อไปนี้
- อาหาร
- สำหรับ
- ออกมา
- สุขุม
- รากฐาน
- ฟรานซิส
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ต่อไป
- อนาคต
- ดึงดูด
- ช่องว่าง
- ในทางภูมิศาสตร์
- ML เชิงพื้นที่
- ได้รับ
- ให้
- กำหนด
- เหตุการณ์ที่
- ทั่วโลก
- ดี
- กราฟิก
- อย่างมาก
- สีเขียว
- พื้น
- การเจริญเติบโต
- การเจริญเติบโต
- แขก
- โพสต์ของผู้เข้าพัก
- มือ
- เกิดขึ้น
- สิ่งที่เกิดขึ้น
- มี
- มี
- he
- สุขภาพ
- ช่วย
- เป็นประโยชน์
- จะช่วยให้
- เธอ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ในที่นี้
- จุดสูง
- ความถี่สูง
- ความละเอียดสูง
- สูงกว่า
- ไฮไลต์
- ของเขา
- ทางประวัติศาสตร์
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- i
- ID
- ประจำตัว
- ระบุ
- ระบุ
- แยกแยะ
- ระบุ
- if
- ภาพ
- ภาพ
- เวิ้งว้าง
- ส่งผลกระทบ
- สำคัญ
- ปรับปรุง
- ช่วยเพิ่ม
- การปรับปรุง
- in
- ในอื่น ๆ
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- รวมเข้าด้วยกัน
- อย่างไม่ถูกต้อง
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- จริง
- ดัชนี
- แสดง
- บ่งชี้ว่า
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- นวัตกรรม
- อินพุต
- ปัจจัยการผลิต
- ข้อมูลเชิงลึก
- แรงบันดาลใจ
- ติดตั้ง
- การติดตั้ง
- การโต้ตอบ
- อยากเรียนรู้
- สนใจ
- น่าสนใจ
- อินเตอร์เฟซ
- เข้าไป
- การสอบสวน
- IT
- ITS
- เจนนิเฟอร์
- jpg
- มิถุนายน
- เก็บ
- ชุด (SDK)
- ความรู้
- Kyle
- ห้องปฏิบัติการ
- ที่ดิน
- ใหญ่
- ขนาดใหญ่
- ส่วนใหญ่
- ปลาย
- เปิดตัว
- เปิดตัว
- นำ
- ชั้นนำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- ซ้าย
- การใช้ประโยชน์
- ห้องสมุด
- ชีวิต
- กดไลก์
- ถูก จำกัด
- Line
- รายการ
- คดี
- ที่ตั้งอยู่
- ดู
- ที่ต้องการหา
- เครื่อง
- เรียนรู้เครื่อง
- แมโคร
- ทำ
- ส่วนใหญ่
- ทำ
- การทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- หลาย
- แผนที่
- โดดเด่น
- ตลาด
- หน้ากาก
- เจ้านาย
- การจับคู่
- อย่างเป็นรูปธรรม
- วัสดุ
- เรื่อง
- สูงสุด
- อาจ..
- McKinsey
- ความหมาย
- วิธี
- วัด
- มาตรการ
- การวัด
- เมตาดาต้า
- วิธี
- วิธีการ
- เมตริก
- ตัวชี้วัด
- การลด
- เอ็มไอที
- ซึ่งบรรเทา
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ส่วนใหญ่
- มาก
- หลาย
- นักดนตรี
- ต้อง
- นับไม่ถ้วน
- โดยธรรมชาติ
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- เชิงลบ
- เพื่อนบ้าน
- ใหม่
- ผลิตภัณฑ์ใหม่
- ไม่
- สัญญาณรบกวน
- สมุดบันทึก
- หมายเหตุ / รายละเอียดเพิ่มเติม
- จำนวน
- ตัวเลข
- มากมาย
- อย่างไม่มีอคติ
- ภาระผูกพัน
- สังเกต
- ได้รับ
- ตุลาคม
- of
- การเสนอ
- เสนอ
- มักจะ
- on
- ออนไลน์
- เพียง
- เปิด
- OpenCV
- การดำเนินการ
- โอกาส
- เพิ่มประสิทธิภาพ
- or
- ใบสั่ง
- คำสั่งซื้อ
- องค์กร
- แต่เดิม
- อื่นๆ
- ของเรา
- แบก
- โครงร่าง
- เอาท์พุต
- เกิน
- ทั้งหมด
- ของตนเอง
- อาการเจ็บปวด
- พารามิเตอร์
- พารามิเตอร์
- ในสิ่งที่สนใจ
- โดยเฉพาะ
- พาร์ทเนอร์
- ความร่วมมือ
- หลงใหล
- รูปแบบ
- ดำเนินการ
- การปฏิบัติ
- ดำเนินการ
- เป็นระยะ
- กายภาพ
- เลือก
- พิกเซล
- ดาวเคราะห์
- การวางแผน
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- นโยบาย
- บวก
- เป็นไปได้
- โพสต์
- ที่มีศักยภาพ
- ที่อาจเกิดขึ้น
- อำนาจ
- ที่มีประสิทธิภาพ
- การปฏิบัติ
- จำเป็นต้อง
- ความแม่นยำ
- คาดการณ์
- ที่คาดการณ์
- ทำนาย
- การคาดการณ์
- ที่ต้องการ
- เตรียมการ
- เตรียม
- นำเสนอ
- นำเสนอ
- ดูตัวอย่าง
- ก่อนหน้านี้
- ส่วนใหญ่
- ประถม
- ก่อน
- จัดลำดับความสำคัญ
- ส่วนตัว
- ปัญหา
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- ผลิต
- ผลิตภัณฑ์
- ผลผลิต
- ผลิตภัณฑ์
- อย่างสุดซึ้ง
- โครงการ
- ที่คาดการณ์
- แวว
- สัดส่วน
- ให้
- ให้
- ให้
- หนังสือมอบฉันทะ
- สาธารณชน
- ชีพจร
- วัตถุประสงค์
- หลาม
- เชิงปริมาณ
- รวดเร็ว
- อย่างรวดเร็ว
- พิสัย
- ตระหนักถึง
- สีแดง
- ลด
- ปรับแต่ง
- สะท้อน
- การปฏิรูป
- ภูมิภาค
- ภูมิภาค
- สัมพันธ์
- ตรงประเด็น
- การสงเคราะห์
- รีโมท
- เอาออก
- การรายงาน
- รายงาน
- ตัวแทน
- ขอ
- การวิจัย
- ทรัพยากร
- แหล่งข้อมูล
- ผล
- ผลสอบ
- กลับ
- เปิดเผย
- เผย
- รวย
- ขวา
- ความเสี่ยง
- ปัจจัยเสี่ยง
- ความเสี่ยง
- แม่น้ำ
- ถนน
- วิ่ง
- วิ่ง
- ซาคราเมนโต
- sagemaker
- เดียวกัน
- ซาน
- ซานฟรานซิสโก
- ดาวเทียม
- ดาวเทียม
- ที่ปรับขนาดได้
- ฉาก
- ฉาก
- รูปแบบ
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- scikit เรียนรู้
- คะแนน
- SDK
- ค้นหา
- ฤดู
- สำนักงานคณะกรรมการ ก.ล.ต.
- ภาค
- หลักทรัพย์
- สำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์
- ความปลอดภัย
- ความเสี่ยงด้านความปลอดภัย
- เห็น
- การแบ่งส่วน
- กลุ่ม
- เลือก
- การเลือก
- ระดับอาวุโส
- แยก
- ให้บริการอาหาร
- บริการ
- ชุด
- ชุดอุปกรณ์
- ชำระ
- หลาย
- เธอ
- โชว์
- แสดง
- คล้ายคลึงกัน
- ง่าย
- ตั้งแต่
- เดียว
- ขนาด
- เล็ก
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ชุดพัฒนาซอฟต์แวร์
- วิศวกรซอฟต์แวร์
- วิศวกรรมซอฟต์แวร์
- ดิน
- ทางออก
- โซลูชัน
- แก้
- บาง
- แหล่ง
- แหล่งที่มา
- ช่องว่าง
- ช่องว่าง
- ครอบคลุม
- เกี่ยวกับอวกาศ
- พูด
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- สเปค
- ข้อกำหนด
- เป็นเงา
- การใช้จ่าย
- ผู้ถือเงินเดิมพัน
- ผู้มีส่วนได้เสีย
- เริ่มต้น
- ข้อความที่เริ่ม
- สถานะ
- งบ
- Status
- ขั้นตอน
- จำนวนชั้น
- ยุทธศาสตร์
- หุ้นส่วนทางยุทธศาสตร์
- กลยุทธ์
- ความเครียด
- แข็งแรง
- สตูดิโอ
- ศึกษา
- สมัครเป็นสมาชิก
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- สนับสนุน
- รองรับ
- พื้นผิว
- การสำรวจ
- การพัฒนาอย่างยั่งยืน
- ที่ยั่งยืน
- ระบบ
- ระบบ
- เอา
- นำ
- การ
- ทีม
- วิชาการ
- เทคนิค
- เทคโนโลยี
- ทดสอบ
- จะ
- การทดสอบ
- กว่า
- ที่
- พื้นที่
- พื้นที่
- รัฐ
- โลก
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- นี้
- เหล่านั้น
- ตลอด
- เวลา
- ครั้ง
- ไปยัง
- เครื่องมือ
- เครื่องมือ
- ด้านบน
- ไปทาง
- ลู่
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- การแปลง
- เปลี่ยน
- การเดินทาง
- ต้นไม้
- แนวโน้ม
- จริง
- ความจริง
- ลอง
- สอง
- ชนิด
- พื้นฐาน
- ความเข้าใจ
- รับปาก
- ปลดล็อค
- จนกระทั่ง
- ที่กำลังมา
- บันทึก
- us
- ใช้
- มือสอง
- ผู้ใช้
- ใช้
- การใช้
- มักจะ
- ใช้
- มีคุณค่า
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- กว้างใหญ่
- มาก
- ผ่านทาง
- วิสัยทัศน์
- เยี่ยมชมร้านค้า
- การสร้างภาพ
- สายตา
- ปริมาณ
- อ่อนแอ
- รอ
- ต้องการ
- คือ
- เสีย
- น้ำดื่ม
- we
- เว็บ
- บริการเว็บ
- Website
- ดี
- คือ
- แต่ทว่า
- ว่า
- ที่
- ในขณะที่
- WHO
- ใคร
- กว้าง
- ช่วงกว้าง
- กับ
- ภายใน
- ไม่มี
- คำ
- งาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โลก
- จะ
- เขียน
- X
- ปี
- ปี
- ผล
- คุณ
- ลมทะเล
- ซูมเข้า