ในหนังสือของเขา หนังสือทำไมจูเดีย เพิร์ล สนับสนุนการสอนหลักเหตุและผลแก่เครื่องจักรเพื่อเพิ่มความฉลาด ความสำเร็จของการเรียนรู้เชิงลึกโดยพื้นฐานแล้วเป็นเพียงเส้นโค้งประเภทหนึ่ง ในขณะที่เหตุและผลสามารถใช้เพื่อเปิดเผยปฏิสัมพันธ์ระหว่างระบบต่างๆ ของโลกภายใต้ข้อจำกัดต่างๆ โดยไม่ต้องทดสอบสมมติฐานโดยตรง สิ่งนี้สามารถให้คำตอบที่นำเราไปสู่ AGI (ปัญญาประดิษฐ์ทั่วไป)
โซลูชันนี้เสนอกรอบการอนุมานเชิงสาเหตุโดยใช้เครือข่ายแบบเบย์เพื่อแสดงการพึ่งพาเชิงสาเหตุและสรุปผลเชิงสาเหตุจากภาพถ่ายดาวเทียมที่สังเกตได้และข้อมูลการทดลองเชิงทดลองในรูปแบบของสภาพอากาศจำลองและสภาพดิน เดอะ กรณีศึกษา เป็นความสัมพันธ์เชิงสาเหตุระหว่างการใส่ปุ๋ยไนโตรเจนกับผลผลิตข้าวโพด
ภาพถ่ายดาวเทียมได้รับการประมวลผลโดยใช้วัตถุประสงค์ที่สร้างขึ้น ความสามารถเชิงพื้นที่ของ Amazon SageMaker และเสริมแต่งด้วยของแต่งตามสั่ง การประมวลผล Amazon SageMaker การดำเนินงาน เอ็นจิ้นการอนุมานเชิงสาเหตุถูกปรับใช้กับ การอนุมานแบบอะซิงโครนัสของ Amazon SageMaker.
ในโพสต์นี้ เราจะสาธิตวิธีสร้างการวิเคราะห์ที่โต้แย้งข้อเท็จจริงนี้โดยใช้ Amazon SageMaker JumpStart โซลูชั่น
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมสำหรับเวิร์กโฟลว์แบบ end-to-end
เบื้องต้น
คุณต้องการ บัญชี AWS เพื่อใช้โซลูชันนี้
ในการเรียกใช้โซลูชัน JumpStart 1P นี้และปรับใช้โครงสร้างพื้นฐานกับบัญชี AWS ของคุณ คุณต้องสร้างแอ็คทีฟ สตูดิโอ Amazon SageMaker ตัวอย่าง (อ้างถึง ออนบอร์ดไปยังโดเมน Amazon SageMaker). เมื่ออินสแตนซ์ Studio ของคุณพร้อม ให้ทำตามคำแนะนำใน SageMaker JumpStart เพื่อเปิดตัวโซลูชัน Crop Yield Counterfactuals
โปรดทราบว่าขณะนี้โซลูชันนี้มีให้บริการในภูมิภาคสหรัฐอเมริกาฝั่งตะวันตก (ออริกอน) เท่านั้น
การอนุมานเชิงสาเหตุ
ความเป็นเหตุเป็นผลเป็นเรื่องของการทำความเข้าใจการเปลี่ยนแปลง แต่วิธีการทำให้สิ่งนี้เป็นทางการในสถิติและการเรียนรู้ของเครื่อง (ML) ไม่ใช่แบบฝึกหัดเล็กน้อย
ในการศึกษาผลผลิตพืชนี้ ไนโตรเจนที่เติมเป็นปุ๋ยและผลลัพธ์ของผลผลิตอาจสับสน ในทำนองเดียวกัน ไนโตรเจนที่เติมเป็นปุ๋ยและผลการชะล้างไนโตรเจนก็อาจสับสนได้เช่นกัน ในแง่ที่ว่าสาเหตุทั่วไปสามารถอธิบายความสัมพันธ์กันได้ อย่างไรก็ตาม ความสัมพันธ์ไม่ใช่สาเหตุ หากเรารู้ว่าปัจจัยใดที่สังเกตได้ทำให้เกิดความสับสนในการเชื่อมโยง เราจะพิจารณาปัจจัยเหล่านั้น แต่ถ้ามีตัวแปรอื่นที่ซ่อนอยู่ซึ่งทำให้เกิดความสับสน การลดปริมาณปุ๋ยไม่จำเป็นต้องลดไนโตรเจนที่ตกค้างเสมอไป ในทำนองเดียวกัน มันอาจไม่ลดผลผลิตลงอย่างมาก ในขณะที่ดินและสภาพอากาศอาจเป็นปัจจัยที่สังเกตได้ซึ่งสร้างความสับสนให้กับความสัมพันธ์ วิธีจัดการกับความสับสนเป็นปัญหาหลักของการอนุมานเชิงสาเหตุ เทคนิคที่แนะนำโดย RA Fisher เรียกว่า สุ่มทดลองควบคุม มีจุดมุ่งหมายเพื่อทำลายความสับสนที่อาจเกิดขึ้น
อย่างไรก็ตาม ในกรณีที่ไม่มีการทดลองแบบสุ่มควบคุม จำเป็นต้องมีการอนุมานเชิงสาเหตุจากข้อมูลเชิงสังเกตเท่านั้น มีวิธีเชื่อมโยงคำถามเชิงสาเหตุกับข้อมูลในการศึกษาเชิงสังเกตโดยการเขียนแบบจำลองกราฟิกเชิงสาเหตุเกี่ยวกับสิ่งที่เราตั้งสมมติฐานว่าเกิดอะไรขึ้น สิ่งนี้เกี่ยวข้องกับการอ้างว่าการข้ามผ่านที่สอดคล้องกันจะจับการพึ่งพาที่สอดคล้องกัน ในขณะที่เป็นไปตามเกณฑ์แบบกราฟิกสำหรับการเพิกเฉยตามเงื่อนไข หลังจากที่เราตั้งสมมติฐานโครงสร้างแล้ว เราสามารถใช้ค่าความไม่แปรเปลี่ยนโดยนัยเพื่อเรียนรู้จากข้อมูลเชิงสังเกตและใส่คำถามเชิงสาเหตุ อนุมานการกล่าวอ้างเชิงสาเหตุโดยไม่ต้องมีการทดลองควบคุมแบบสุ่ม
โซลูชันนี้ใช้ทั้งข้อมูลจากการทดลองแบบสุ่มควบคุม (RCT) จำลอง รวมทั้งข้อมูลเชิงสังเกตจากภาพถ่ายดาวเทียม ชุดการจำลองที่ดำเนินการในพื้นที่หลายพันแห่งและหลายปีในรัฐอิลลินอยส์ (สหรัฐอเมริกา) ใช้เพื่อศึกษาการตอบสนองของข้าวโพดต่อการเพิ่มอัตราไนโตรเจนสำหรับสภาพอากาศและความแปรปรวนของดินในภูมิภาคนี้ กล่าวถึงข้อจำกัดของการใช้ข้อมูลการทดลองที่จำกัดในจำนวนดินและปีที่สามารถสำรวจได้โดยใช้การจำลองการเพาะปลูกของสถานการณ์การทำฟาร์มและภูมิศาสตร์ต่างๆ ฐานข้อมูลได้รับการสอบเทียบและตรวจสอบโดยใช้ข้อมูลจากการทดลองมากกว่า 400 ครั้งในภูมิภาค ความเข้มข้นของไนโตรเจนเริ่มต้นในดินถูกตั้งค่าแบบสุ่มในช่วงที่เหมาะสม
นอกจากนี้ ฐานข้อมูลยังได้รับการปรับปรุงด้วยการสังเกตจากภาพถ่ายดาวเทียม ในขณะที่สถิติโซนได้มาจากดัชนีสเปกตรัมเพื่อแสดงถึงการเปลี่ยนแปลงเชิงพื้นที่และเวลาของพืชพันธุ์ ซึ่งเห็นได้ทั่วทั้งภูมิศาสตร์และระยะฟีโนโลยี
การอนุมานเชิงสาเหตุกับเครือข่ายแบบเบส์
แบบจำลองเชิงสาเหตุเชิงโครงสร้าง (SCMs) ใช้แบบจำลองกราฟิกเพื่อแสดงการพึ่งพาเชิงสาเหตุโดยผสมผสานทั้งข้อมูลที่ขับเคลื่อนด้วยข้อมูลและการป้อนข้อมูลจากมนุษย์ แบบจำลองเชิงสาเหตุโครงสร้างประเภทหนึ่งที่เรียกว่าเครือข่ายแบบเบส์ถูกเสนอเพื่อจำลองไดนามิกของปรากฏการณ์พืชผลโดยใช้นิพจน์ความน่าจะเป็นโดยแสดงตัวแปรเป็นโหนดและความสัมพันธ์ระหว่างตัวแปรเป็นขอบ โหนดเป็นตัวบ่งชี้การเจริญเติบโตของพืช ดินและสภาพอากาศ และขอบระหว่างโหนดเหล่านี้แสดงถึงความสัมพันธ์เชิงสาเหตุเชิงพื้นที่และเชิงพื้นที่ โหนดพาเรนต์คือพารามิเตอร์ที่เกี่ยวข้องกับภาคสนาม (รวมถึงวันที่หว่านและพื้นที่ปลูก) และโหนดย่อยคือผลผลิต การดูดซึมไนโตรเจน และการชะล้างไนโตรเจน
สำหรับข้อมูลเพิ่มเติมอ้างถึง ลักษณะฐานข้อมูล และ ให้คำแนะนำ เพื่อระบุระยะการเจริญเติบโตของข้าวโพด
จำเป็นต้องมีขั้นตอนสองสามขั้นตอนในการสร้างแบบจำลองเครือข่ายแบบเบย์ (ด้วย สาเหตุNex) ก่อนที่เราจะสามารถใช้มันสำหรับการวิเคราะห์ต่อต้านข้อเท็จจริงและการแทรกแซง โครงสร้างของโมเดลเชิงสาเหตุนั้นเรียนรู้จากข้อมูลในขั้นต้น ในขณะที่ผู้เชี่ยวชาญเฉพาะเรื่อง (วรรณกรรมที่เชื่อถือได้หรือความเชื่อเชิงประจักษ์) ใช้เพื่ออ้างเหตุผลเพิ่มเติมและความเป็นอิสระระหว่างตัวแปรสุ่มและตัวแปรแทรกแซง เช่นเดียวกับการยืนยันว่าโครงสร้างเป็นสาเหตุ
การใช้ ไม่มีน้ำตาอัลกอริทึมการปรับให้เหมาะสมอย่างต่อเนื่องสำหรับการเรียนรู้โครงสร้าง โครงสร้างกราฟที่อธิบายการขึ้นต่อกันแบบมีเงื่อนไขระหว่างตัวแปรเรียนรู้จากข้อมูล โดยมีชุดของข้อจำกัดที่กำหนดบนเอดจ์ โหนดหลัก และโหนดย่อยที่ไม่ได้รับอนุญาตในโมเดลเชิงสาเหตุ สิ่งนี้จะรักษาการพึ่งพาชั่วคราวระหว่างตัวแปร ดูรหัสต่อไปนี้:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
ขั้นตอนต่อไปจะเข้ารหัสความรู้ของโดเมนในแบบจำลองและจับไดนามิกของฟีโนโลยี ในขณะที่หลีกเลี่ยงความสัมพันธ์ปลอมแปลง การวิเคราะห์พหุโคลิเนียริตี้ การวิเคราะห์ตัวแปรอัตราเงินเฟ้อ และความสำคัญของคุณลักษณะทั่วโลกโดยใช้ สับ การวิเคราะห์ดำเนินการเพื่อดึงข้อมูลเชิงลึกและข้อจำกัดของตัวแปรความเครียดของน้ำ (การขยายตัว ฟีโนโลยี และการสังเคราะห์ด้วยแสงรอบๆ การให้ดอก) ตัวแปรสภาพอากาศและดิน ดัชนีสเปกตรัม และตัวบ่งชี้ตามไนโตรเจน:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
เครือข่ายแบบเบย์ใน CausalNex รองรับเฉพาะการแจกแจงแบบไม่ต่อเนื่อง คุณสมบัติต่อเนื่องใดๆ หรือคุณสมบัติที่มีหมวดหมู่จำนวนมาก จะถูกแยกแยะก่อนที่จะมีการติดตั้งเครือข่าย Bayesian:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
หลังจากทบทวนโครงสร้างแล้ว การแจกแจงความน่าจะเป็นแบบมีเงื่อนไขของตัวแปรแต่ละตัวที่กำหนดให้ผู้ปกครองสามารถเรียนรู้ได้จากข้อมูล ในขั้นตอนที่เรียกว่า การประมาณความน่าจะเป็น:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
ในที่สุด โครงสร้างและความน่าจะเป็นจะถูกใช้เพื่อทำการอนุมานเชิงสังเกตการณ์บนเครื่องบิน อัลกอริทึมทรีจังก์ชัน (JTA) และการแทรกแซงโดยใช้ ทำแคลคูลัส. การอนุมานแบบอะซิงโครนัสของ SageMaker อนุญาตให้จัดคิวคำขอที่เข้ามาและประมวลผลแบบอะซิงโครนัส ตัวเลือกนี้เหมาะอย่างยิ่งสำหรับทั้งสถานการณ์การอนุมานเชิงสังเกตและการโต้แย้งข้อเท็จจริง ซึ่งกระบวนการไม่สามารถขนานกันได้ ดังนั้น จึงใช้เวลาอย่างมากในการอัปเดตความน่าจะเป็นทั่วทั้งเครือข่าย แม้ว่าสามารถเรียกใช้การสืบค้นหลายรายการพร้อมกันได้ ดูรหัสต่อไปนี้:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ สคริปต์อนุมาน.
โมเดลเชิงสาเหตุ สมุดบันทึก เป็นคำแนะนำทีละขั้นตอนในการเรียกใช้ขั้นตอนก่อนหน้านี้
การประมวลผลข้อมูลเชิงพื้นที่
งานสังเกตการณ์โลก (EOJs) ถูกเชื่อมโยงเข้าด้วยกันเพื่อรับและแปลงภาพถ่ายดาวเทียม ในขณะที่การดำเนินการที่สร้างขึ้นตามวัตถุประสงค์และแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้าจะใช้สำหรับการลบเมฆ การทำโมเสค การดำเนินการทางคณิตศาสตร์ของแถบความถี่ และการสุ่มตัวอย่างใหม่ ในส่วนนี้ เราจะหารือในรายละเอียดเพิ่มเติมเกี่ยวกับขั้นตอนการประมวลผลเชิงพื้นที่
พื้นที่ที่น่าสนใจ
ในรูปต่อไปนี้ รูปหลายเหลี่ยมสีเขียวคือเขตที่เลือก ตารางสีส้มคือแผนที่ฐานข้อมูล (ตารางเซลล์ขนาด 10 x 10 กม. ที่ดำเนินการทดลองในภูมิภาค) และตารางสี่เหลี่ยมสีเทาคือ 100 กม. x 100 กม. ตารางการปูกระเบื้อง Sentinel-2 UTM
ไฟล์เชิงพื้นที่ถูกใช้เพื่อทำแผนที่ฐานข้อมูลจำลองด้วยภาพถ่ายดาวเทียมที่เกี่ยวข้อง รูปหลายเหลี่ยมซ้อนทับของเซลล์ขนาด 10 กม. x 10 กม. ที่แบ่งรัฐอิลลินอยส์ (ซึ่งทำการทดลองในภูมิภาค) รูปหลายเหลี่ยมของมณฑล และ 100 กม. x 100 กม. Sentinel- กระเบื้อง UTM 2 แผ่น เพื่อเพิ่มประสิทธิภาพไปป์ไลน์การประมวลผลข้อมูลเชิงพื้นที่ ไทล์ Sentinel-2 ที่อยู่ใกล้เคียงบางส่วนจะถูกเลือกก่อน ถัดไป รูปทรงเรขาคณิตรวมของกระเบื้องและเซลล์จะถูกซ้อนทับเพื่อให้ได้พื้นที่ที่น่าสนใจ (RoI) เคาน์ตีและรหัสเซลล์ที่สังเกตได้อย่างสมบูรณ์ภายใน RoI จะถูกเลือกเพื่อสร้างรูปทรงเรขาคณิตหลายเหลี่ยมที่ส่งไปยัง EOJ
ช่วงเวลา
สำหรับแบบฝึกหัดนี้ วัฏจักรฟีโนโลจีของข้าวโพดแบ่งออกเป็นสามระยะ: ระยะพืช v5 ถึง R1 (การงอก การติดใบ และการเป็นพู่) ระยะการสืบพันธุ์ R1 ถึง R4 (การสาวไหม พุพอง นม และแป้ง) และระยะการสืบพันธุ์ R5 (เว้าแหว่ง) และ R6 (วุฒิภาวะทางสรีรวิทยา) การเยี่ยมชมดาวเทียมติดต่อกันจะได้รับมาสำหรับแต่ละขั้นตอนของฟีโนโลยีภายในช่วงเวลา 2 สัปดาห์และพื้นที่ที่น่าสนใจที่กำหนดไว้ล่วงหน้า (มณฑลที่เลือก) ทำให้สามารถวิเคราะห์ภาพถ่ายดาวเทียมเชิงพื้นที่และเชิงเวลาได้ รูปภาพต่อไปนี้แสดงเมตริกเหล่านี้
การกำจัดเมฆ
การลบคลาวด์สำหรับข้อมูล Sentinel-2 ใช้โมเดลการแบ่งกลุ่มความหมายตาม ML เพื่อระบุคลาวด์ในภาพ โดยที่พิกเซลที่มีเมฆมากจะถูกแทนที่ด้วยค่า -9999 (ค่าโนดาต้า):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
หลังจากสร้าง EOJ แล้ว ARN จะถูกส่งกลับและใช้เพื่อดำเนินการ geomosaic ที่ตามมา
หากต้องการทราบสถานะของงาน คุณสามารถเรียกใช้ sg_client.get_earth_observation_job(Arn = response['Arn']).
จีโอโมซาอิก
geomosaic EOJ ใช้เพื่อผสานภาพจากดาวเทียมหลายดวงให้เป็นภาพโมเสคขนาดใหญ่ โดยเขียนทับ nodata หรือพิกเซลโปร่งใส (รวมถึงพิกเซลที่มีเมฆมาก) ด้วยพิกเซลจากการประทับเวลาอื่นๆ:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
หลังจากสร้าง EOJ แล้ว ARN จะถูกส่งกลับและใช้เพื่อดำเนินการสุ่มตัวอย่างใหม่ในภายหลัง
resampling
การสุ่มตัวอย่างซ้ำจะใช้เพื่อลดขนาดความละเอียดของภาพเชิงพื้นที่เพื่อให้ตรงกับความละเอียดของมาสก์ครอบตัด (การลดขนาดความละเอียด 10–30 ม.):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
หลังจากสร้าง EOJ แล้ว ARN จะถูกส่งกลับและใช้เพื่อดำเนินการทางคณิตศาสตร์แถบความถี่ที่ตามมา
วงคณิตศาสตร์
การดำเนินการทางคณิตศาสตร์ของวงดนตรีใช้สำหรับเปลี่ยนการสังเกตจากแถบสเปกตรัมหลายแถบให้เป็นแถบเดียว ประกอบด้วยดัชนีสเปกตรัมต่อไปนี้:
- อีวีไอ2 – ดัชนีพืชพรรณที่ปรับปรุงแล้วแบบสองแบนด์
- ดีจีวีไอ – ดัชนีพืชพรรณความแตกต่างทั่วไป
- เอ็นดีเอ็มไอ – ดัชนีความชื้นความแตกต่างปกติ
- เอ็นดีวีไอ – ดัชนีพืชผลแตกต่างปกติ
- เอ็นดีวีไอ – ค่าดัชนีความแตกต่างของน้ำปกติ
ดูรหัสต่อไปนี้:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
สถิติโซน
ดัชนีสเปกตรัมได้รับการตกแต่งเพิ่มเติมโดยใช้ การประมวลผล Amazon SageMakerซึ่งใช้ตรรกะที่กำหนดเองตาม GDAL เพื่อทำสิ่งต่อไปนี้:
- รวม ดัชนีสเปกตรัม เป็นภาพโมเสคหลายช่องเดียว
- ฉายภาพโมเสกซ้ำไปที่ หน้ากากครอบตัดการฉายภาพ
- ใช้ครอปมาสก์และฉายภาพโมเสกซ้ำไปยัง CRC ของเซลล์รูปหลายเหลี่ยม
- คำนวณสถิติโซนสำหรับรูปหลายเหลี่ยมที่เลือก (เซลล์ 10 กม. x 10 กม.)
ด้วยการกระจายข้อมูลแบบคู่ขนาน ไฟล์รายการ (สำหรับแต่ละระยะฟีโนโลยีของพืชผล) จะถูกกระจายในหลายกรณีโดยใช้ ShardedByS3Key
ประเภทการกระจายข้อมูล S3 สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ สคริปต์การสกัดคุณลักษณะ.
การประมวลผลเชิงพื้นที่ สมุดบันทึก เป็นคำแนะนำทีละขั้นตอนในการเรียกใช้ขั้นตอนก่อนหน้านี้
รูปต่อไปนี้แสดงช่องสัญญาณ RGB ของการเข้าชมด้วยดาวเทียมติดต่อกันซึ่งแสดงถึงระยะการเจริญเติบโตของพืชและการเจริญพันธุ์ของวัฏจักรฟีโนโลจีของข้าวโพด โดยมี (ขวา) และไม่มี (ซ้าย) มาสก์ครอบตัด (CW 20, 26 และ 33, 2018 Central Illinois)
ในรูปต่อไปนี้ ดัชนีสเปกตรัม (เอ็นดีวีไอ, อีวีไอ2, เอ็นดีเอ็มไอ) ของการเยี่ยมชมผ่านดาวเทียมติดต่อกันแสดงถึงระยะการเจริญเติบโตของพืชและการสืบพันธุ์ของวัฏจักรฟีโนโลจีของข้าวโพด (CW 20, 26 และ 33, 2018 Central Illinois)
ทำความสะอาด
หากคุณไม่ต้องการใช้โซลูชันนี้อีกต่อไป คุณสามารถลบทรัพยากรที่สร้างขึ้นได้ หลังจากปรับใช้โซลูชันใน Studio แล้ว ให้เลือก ลบทรัพยากรทั้งหมด เพื่อลบทรัพยากรมาตรฐานทั้งหมดที่สร้างขึ้นเมื่อเรียกใช้โซลูชันโดยอัตโนมัติ รวมถึงบัคเก็ต S3
สรุป
โซลูชันนี้ให้พิมพ์เขียวสำหรับกรณีการใช้งานที่การอนุมานเชิงสาเหตุกับเครือข่ายเบส์เป็นวิธีการที่ต้องการสำหรับการตอบคำถามเชิงสาเหตุจากการรวมกันของข้อมูลและการป้อนข้อมูลของมนุษย์ เวิร์กโฟลว์รวมถึงการใช้งานเอ็นจิ้นการอนุมานอย่างมีประสิทธิภาพ ซึ่งจัดคิวการสืบค้นและการแทรกแซงที่เข้ามา และประมวลผลแบบอะซิงโครนัส ลักษณะโมดูลาร์ช่วยให้สามารถนำส่วนประกอบต่างๆ มาใช้ซ้ำได้ รวมถึงการประมวลผลเชิงพื้นที่ด้วยการดำเนินการที่สร้างขึ้นตามวัตถุประสงค์และแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้า การเพิ่มประสิทธิภาพของภาพถ่ายดาวเทียมด้วยการดำเนินการ GDAL ที่สร้างขึ้นเอง และวิศวกรรมคุณลักษณะหลายรูปแบบ (ดัชนีสเปกตรัมและข้อมูลแบบตาราง)
นอกจากนี้ คุณสามารถใช้โซลูชันนี้เป็นเทมเพลตสำหรับสร้างแบบจำลองพืชผลแบบตาราง ซึ่งดำเนินการจัดการปุ๋ยไนโตรเจนและวิเคราะห์นโยบายสิ่งแวดล้อม
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ เทมเพลตโซลูชัน และปฏิบัติตาม ให้คำแนะนำ เพื่อเปิดตัวโซลูชัน Crop Yield Counterfactuals ในภูมิภาคตะวันตกของสหรัฐอเมริกา (ออริกอน) รหัสที่มีอยู่ใน repo GitHub.
Citations
Mandrini เยอรมัน, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
ชุดข้อมูลจำลองการตอบสนองของข้าวโพดต่อไนโตรเจนในพื้นที่หลายพันแห่งและหลายปีในรัฐอิลลินอยส์
ข้อมูลโดยสังเขป เล่มที่ 40, 2022, 107753, ISSN 2352-3409
ทรัพยากรที่มีประโยชน์
เกี่ยวกับผู้เขียน
พอล บาร์น่า เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสของ Machine Learning Prototyping Labs ที่ AWS
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :เป็น
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- เกี่ยวกับเรา
- จะประสบความสำเร็จ
- ลงชื่อเข้าใช้
- ได้รับ
- ที่ได้มา
- ข้าม
- คล่องแคล่ว
- ที่เพิ่ม
- นอกจากนี้
- เพิ่มเติม
- ที่อยู่
- สนับสนุน
- หลังจาก
- AGI
- จุดมุ่งหมาย
- ขั้นตอนวิธี
- ทั้งหมด
- ช่วยให้
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- ในหมู่
- จำนวน
- การวิเคราะห์
- และ
- คำตอบ
- ทุกแห่ง
- การใช้งาน
- สถาปัตยกรรม
- เป็น
- AREA
- รอบ
- AS
- แง่มุม
- เข้าไปยุ่งเกี่ยว
- สมาคม
- At
- อัตโนมัติ
- ใช้ได้
- หลีกเลี่ยง
- AWS
- วงดนตรี
- ตาม
- เบย์เซียน
- BE
- ก่อน
- ระหว่าง
- สีน้ำเงิน
- หนังสือ
- ทำลาย
- กว้าง
- สร้าง
- การก่อสร้าง
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- จับ
- จับ
- กรณี
- หมวดหมู่
- ก่อให้เกิด
- เซลล์
- ส่วนกลาง
- ถูกล่ามโซ่
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- ช่อง
- เด็ก
- Choose
- อ้าง
- การเรียกร้อง
- เมฆ
- รหัส
- ปลอกคอ
- การผสมผสาน
- ร่วมกัน
- ส่วนประกอบ
- สมาธิ
- เงื่อนไข
- ดำเนินการ
- เชื่อมต่อ
- ติดต่อกัน
- ข้อ จำกัด
- ต่อเนื่องกัน
- ควบคุม
- การควบคุม
- ตรงกัน
- ได้
- สร้าง
- ที่สร้างขึ้น
- พืชผล
- ขณะนี้
- เส้นโค้ง
- ประเพณี
- ที่สร้างขึ้นเอง
- วงจร
- ข้อมูล
- การประมวลผล
- นักวิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ฐานข้อมูล
- วัน
- ลึก
- การเรียนรู้ลึก ๆ
- สาธิต
- นำไปใช้
- ที่ได้มา
- รายละเอียด
- รายละเอียด
- ความแตกต่าง
- โดยตรง
- สนทนา
- กระจาย
- การกระจาย
- การกระจาย
- แบ่งออก
- โดเมน
- ฮวบ
- วาด
- พลศาสตร์
- แต่ละ
- ผล
- ภาวะฉุกเฉิน
- ช่วยให้
- การเปิดใช้งาน
- จบสิ้น
- เครื่องยนต์
- ชั้นเยี่ยม
- ที่เพิ่มขึ้น
- อุดม
- สิ่งแวดล้อม
- นโยบายด้านสิ่งแวดล้อม
- เป็นหลัก
- การออกกำลังกาย
- การขยายตัว
- ชำนาญ
- ความชำนาญ
- อธิบาย
- สำรวจ
- การแสดงออก
- นามสกุล
- สารสกัด
- ปัจจัย
- การทำฟาร์ม
- ลักษณะ
- คุณสมบัติ
- สองสาม
- สาขา
- รูป
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- กรอบ
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ต่อไป
- สร้าง
- ภูมิศาสตร์
- ได้รับ
- GitHub
- กำหนด
- เหตุการณ์ที่
- กราฟ
- เฉดสีเทา
- สีเขียว
- ตะแกรง
- การเจริญเติบโต
- ให้คำแนะนำ
- จัดการ
- เกิดขึ้น
- มี
- ซ่อนเร้น
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- ในอุดมคติ
- แยกแยะ
- ระบุ
- อิลลินอยส์
- ภาพ
- ภาพ
- ส่งผลกระทบ
- การดำเนินงาน
- โดยนัย
- นำเข้า
- ความสำคัญ
- กำหนด
- การจัดเก็บภาษี
- in
- รวมถึง
- รวมทั้ง
- ขาเข้า
- ผสมผสาน
- ที่เพิ่มขึ้น
- ตัวชี้วัด
- ดัชนี
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- ในขั้นต้น
- ข้อมูลเชิงลึก
- ตัวอย่าง
- คำแนะนำการใช้
- Intelligence
- ปฏิสัมพันธ์
- อยากเรียนรู้
- การแทรกแซง
- แนะนำ
- IT
- ITS
- การสัมภาษณ์
- ทราบ
- ความรู้
- ห้องปฏิบัติการ
- ใหญ่
- เปิดตัว
- การเปิดตัว
- นำ
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- การ จำกัด
- ถูก จำกัด
- วรรณคดี
- อีกต่อไป
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- ทำ
- การทำ
- การจัดการ
- แผนที่
- นกนางแอ่น
- หน้ากาก
- มาสก์
- การจับคู่
- คณิตศาสตร์
- เรื่อง
- วุฒิภาวะ
- ผสาน
- ระเบียบวิธี
- ตัวชี้วัด
- อาจ
- นม
- ML
- แบบ
- โมเดล
- โมดูลาร์
- ข้อมูลเพิ่มเติม
- หลาย
- ชื่อ
- นาซา
- ใกล้
- จำเป็นต้อง
- จำเป็นต้อง
- เครือข่าย
- เครือข่าย
- ถัดไป
- นิโคลัส
- ปม
- การกระจายโหนด
- โหนด
- จำนวน
- ได้รับ
- of
- on
- การดำเนินการ
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- ส้ม
- ใบสั่ง
- ออริกอน
- อื่นๆ
- Parallel
- พารามิเตอร์
- พ่อแม่
- ในสิ่งที่สนใจ
- ผ่าน
- รูปแบบไฟล์ PDF
- ดำเนินการ
- การสังเคราะห์แสง
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ปลั๊ก
- นโยบาย
- รูปหลายเหลี่ยม
- เป็นไปได้
- โพสต์
- ที่ต้องการ
- หลักการ
- ก่อน
- ปัญหา
- กระบวนการ
- แปรรูปแล้ว
- กระบวนการ
- การประมวลผล
- คุณสมบัติ
- คุณสมบัติ
- เสนอ
- เสนอ
- การสร้างต้นแบบ
- ให้
- ให้
- หมดจด
- คำถาม
- สุ่ม
- สุ่ม
- พิสัย
- ราคา
- พร้อม
- เหมาะสม
- สีแดง
- ลด
- ลด
- ภูมิภาค
- ความสัมพันธ์
- ความสัมพันธ์
- การกำจัด
- แทนที่
- แสดง
- เป็นตัวแทนของ
- การร้องขอ
- จำเป็นต้องใช้
- ความละเอียด
- แหล่งข้อมูล
- คำตอบ
- รับผิดชอบ
- สุดท้าย
- RGB
- ผลตอบแทนการลงทุน
- วิ่ง
- วิ่ง
- sagemaker
- ดาวเทียม
- สถานการณ์
- นักวิทยาศาสตร์
- Section
- การแบ่งส่วน
- เลือก
- ระดับอาวุโส
- ความรู้สึก
- ชุด
- ชุด
- หลาย
- แสดงให้เห็นว่า
- เหมือนกับ
- เดียว
- ทางออก
- โซลูชัน
- บาง
- เกี่ยวกับอวกาศ
- เป็นเงา
- สี่เหลี่ยม
- ระยะ
- ขั้นตอน
- มาตรฐาน
- สถานะ
- สหรัฐอเมริกา
- สถิติ
- Status
- ขั้นตอน
- ขั้นตอน
- ความเครียด
- โครงสร้าง
- การศึกษา
- สตูดิโอ
- ศึกษา
- หรือ
- ภายหลัง
- สนับสนุน
- ระบบ
- การ
- ต้นเผือก
- การเรียนการสอน
- เทมเพลต
- การทดสอบ
- ที่
- พื้นที่
- กราฟ
- รัฐ
- โลก
- ของพวกเขา
- พวกเขา
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สิ่ง
- พัน
- สาม
- ตลอด
- ตลอด
- เวลา
- ไปยัง
- ร่วมกัน
- รถไฟ
- แปลง
- การเปลี่ยนแปลง
- โปร่งใส
- รักษา
- การทดลอง
- การทดลอง
- ที่เชื่อถือ
- ยูซีแอล
- เปิดเผย
- ภายใต้
- ความเข้าใจ
- หน่วย
- พร้อมใจกัน
- ประเทศสหรัฐอเมริกา
- บันทึก
- การปรับปรุง
- us
- ใช้
- การตรวจสอบ
- ความคุ้มค่า
- ต่างๆ
- จำนวนการเข้าชม
- ปริมาณ
- น้ำดื่ม
- วิธี
- สภาพอากาศ
- สัปดาห์ที่ผ่านมา
- ดี
- ตะวันตก
- อะไร
- ที่
- ในขณะที่
- จะ
- กับ
- ภายใน
- ไม่มี
- โลก
- การเขียน
- X
- ปี
- ผล
- อัตราผลตอบแทน
- คุณ
- ของคุณ
- ลมทะเล