یہ مہمان پوسٹ لیڈیا لیہوئی ژانگ، بزنس ڈیولپمنٹ اسپیشلسٹ، اور مانسی شاہ، سافٹ ویئر انجینئر/ڈیٹا سائنٹسٹ، پلینیٹ لیبز کی مشترکہ تحریر ہے۔ دی تجزیہ جس نے اس پوسٹ کو متاثر کیا۔ اصل میں جینیفر ریبر کائل نے لکھا تھا۔
ایمیزون سیج میکر کی جغرافیائی صلاحیتیں۔ مشترکہ کے ساتھ سیارےکے سیٹلائٹ ڈیٹا کو فصلوں کی تقسیم کے لیے استعمال کیا جا سکتا ہے، اور زراعت اور پائیداری کے شعبوں کے لیے اس تجزیے کے متعدد اطلاقات اور ممکنہ فوائد ہیں۔ 2023 کے آخر میں، سیارہ شراکت کا اعلان کیا AWS کے ساتھ اپنے جغرافیائی اعداد و شمار کو دستیاب کرنے کے لیے ایمیزون سیج میکر.
فصلوں کی تقسیم ایک سیٹلائٹ امیج کو پکسلز کے علاقوں، یا حصوں میں تقسیم کرنے کا عمل ہے، جن میں فصل کی خصوصیات ایک جیسی ہوتی ہیں۔ اس پوسٹ میں، ہم ایک تصویر میں فصل اور غیر فصلی علاقوں کی شناخت کے لیے سیگمنٹیشن مشین لرننگ (ML) ماڈل کو استعمال کرنے کا طریقہ بتاتے ہیں۔
فصلوں کے علاقوں کی شناخت زرعی بصیرت حاصل کرنے کی طرف ایک بنیادی قدم ہے، اور بھرپور جغرافیائی اعداد و شمار اور ML کا امتزاج ایسی بصیرت کا باعث بن سکتا ہے جو فیصلوں اور اعمال کو آگے بڑھاتے ہیں۔ مثال کے طور پر:
- ڈیٹا پر مبنی کاشتکاری کے فیصلے کرنا - فصلوں کے بارے میں بہتر مقامی سمجھ حاصل کر کے، کسان اور دیگر زرعی اسٹیک ہولڈرز پانی سے لے کر کھاد تک کے دیگر کیمیکلز تک وسائل کے استعمال کو پورے موسم میں بہتر بنا سکتے ہیں۔ یہ فضلہ کو کم کرنے، جہاں بھی ممکن ہو پائیدار کاشتکاری کے طریقوں کو بہتر بنانے اور ماحولیاتی اثرات کو کم سے کم کرتے ہوئے پیداواری صلاحیت کو بڑھانے کی بنیاد رکھتا ہے۔
- آب و ہوا سے متعلق تناؤ اور رجحانات کی نشاندہی کرنا - چونکہ موسمیاتی تبدیلی عالمی درجہ حرارت اور بارش کے نمونوں کو متاثر کرتی رہتی ہے، فصلوں کی تقسیم کا استعمال ان علاقوں کی نشاندہی کرنے کے لیے کیا جا سکتا ہے جو موسمیاتی موافقت کی حکمت عملیوں کے لیے آب و ہوا سے متعلق تناؤ کا شکار ہیں۔ مثال کے طور پر، سیٹلائٹ امیجری آرکائیوز کا استعمال وقت کے ساتھ ساتھ فصل اگانے والے علاقے میں ہونے والی تبدیلیوں کو ٹریک کرنے کے لیے کیا جا سکتا ہے۔ یہ فصلی زمینوں کے سائز اور تقسیم میں جسمانی تبدیلیاں ہو سکتی ہیں۔ یہ مٹی کی نمی، مٹی کے درجہ حرارت، اور بایوماس میں تبدیلیاں بھی ہو سکتی ہیں، جو فصل کی صحت کے گہرے تجزیہ کے لیے سیٹلائٹ ڈیٹا کے مختلف اسپیکٹرل انڈیکس سے حاصل کی گئی ہیں۔
- نقصان کا اندازہ لگانا اور کم کرنا - آخر میں، فصلوں کی تقسیم کا استعمال قدرتی آفت کی صورت میں فصل کے نقصان کے علاقوں کی فوری اور درست طریقے سے نشاندہی کرنے کے لیے کیا جا سکتا ہے، جس سے امدادی کوششوں کو ترجیح دینے میں مدد مل سکتی ہے۔ مثال کے طور پر، سیلاب کے بعد، اعلی درجے کی سیٹلائٹ تصاویر کا استعمال ان علاقوں کی نشاندہی کرنے کے لیے کیا جا سکتا ہے جہاں فصلیں ڈوب گئی ہیں یا تباہ ہو گئی ہیں، جس سے امدادی تنظیمیں متاثرہ کسانوں کی زیادہ تیزی سے مدد کر سکیں گی۔
اس تجزیے میں، ہم فصلوں کی تقسیم کرنے کے لیے K-nearest پڑوسیز (KNN) ماڈل استعمال کرتے ہیں، اور ہم ان نتائج کا موازنہ کسی زرعی علاقے میں زمینی سچائی کی تصویر کشی سے کرتے ہیں۔ ہمارے نتائج سے پتہ چلتا ہے کہ KNN ماڈل کی درجہ بندی 2017 کے زمینی سچائی کی درجہ بندی کے اعداد و شمار کے مقابلے 2015 میں موجودہ فصل کے میدان کی حالت کی زیادہ درستی سے نمائندہ ہے۔ یہ نتائج سیارے کی اعلی کیڈینس جغرافیائی منظر کشی کی طاقت کا ثبوت ہیں۔ زرعی میدان اکثر بدلتے رہتے ہیں، کبھی کبھی موسم میں کئی بار، اور اس زمین کا مشاہدہ اور تجزیہ کرنے کے لیے اعلی تعدد والی سیٹلائٹ تصویریں دستیاب ہونا زرعی زمین اور تیزی سے بدلتے ہوئے ماحول کے بارے میں ہماری سمجھ کو بہت اہمیت دے سکتی ہے۔
جغرافیائی ML پر سیارے اور AWS کی شراکت
سیج میکر کی جغرافیائی صلاحیتیں۔ ڈیٹا سائنسدانوں اور ML انجینئرز کو جغرافیائی ڈیٹا کا استعمال کرتے ہوئے ماڈلز بنانے، تربیت دینے اور تعینات کرنے کے لیے بااختیار بنائیں۔ SageMaker جغرافیائی صلاحیتیں آپ کو بڑے پیمانے پر جغرافیائی ڈیٹاسیٹس کو مؤثر طریقے سے تبدیل یا افزودہ کرنے، پہلے سے تربیت یافتہ ML ماڈلز کے ساتھ ماڈل کی تعمیر کو تیز کرنے، اور 3D-ایکسلریٹڈ گرافکس اور بلٹ ان ویژولائزیشن ٹولز کا استعمال کرتے ہوئے ایک انٹرایکٹو نقشے پر ماڈل کی پیشین گوئیوں اور جغرافیائی ڈیٹا کو دریافت کرنے کی اجازت دیتی ہیں۔ SageMaker جغرافیائی صلاحیتوں کے ساتھ، آپ مختلف ایپلی کیشنز کے لیے درست ML ماڈلز بنانے کے لیے سیٹلائٹ امیجری کے بڑے ڈیٹاسیٹس اور دیگر جغرافیائی ڈیٹا پر کارروائی کر سکتے ہیں، بشمول فصلوں کی تقسیم، جس پر ہم اس پوسٹ میں بحث کر رہے ہیں۔
سیارے کی لیبز پی بی سی ایک سرکردہ ارتھ امیجنگ کمپنی ہے جو روزانہ کی بنیاد پر زمین کی سطح کی تصویر کشی کے لیے مصنوعی سیاروں کے اپنے بڑے بیڑے کا استعمال کرتی ہے۔ اس لیے سیارے کا ڈیٹا جغرافیائی ML کے لیے ایک قیمتی وسیلہ ہے۔ اس کی ہائی ریزولوشن سیٹلائٹ کی تصویریں زمین پر کہیں بھی فصل کی مختلف خصوصیات اور ان کی صحت کی شناخت کے لیے استعمال کی جا سکتی ہیں۔
Planet اور SageMaker کے درمیان شراکت داری صارفین کو AWS کے طاقتور ML ٹولز کا استعمال کرتے ہوئے Planet کے اعلی تعدد والے سیٹلائٹ ڈیٹا تک آسانی سے رسائی اور تجزیہ کرنے کے قابل بناتی ہے۔ ڈیٹا سائنسدان اپنا ڈیٹا لا سکتے ہیں یا ماحول کو تبدیل کیے بغیر سیارے کے ڈیٹا کو آسانی سے تلاش اور سبسکرائب کر سکتے ہیں۔
Amazon SageMaker اسٹوڈیو نوٹ بک میں جغرافیائی امیج کے ساتھ فصلوں کی تقسیم
اس مثال میں جغرافیائی ML ورک فلو، ہم دیکھتے ہیں کہ سیج میکر میں زمینی سچائی کے ڈیٹا سورس کے ساتھ سیارے کے ڈیٹا کو کیسے لایا جائے، اور KNN درجہ بندی کے ساتھ کراپ سیگمنٹیشن ماڈل کو کیسے تربیت، اندازہ، اور تعینات کیا جائے۔ آخر میں، ہم اپنے نتائج کی درستگی کا اندازہ لگاتے ہیں اور اس کا موازنہ اپنی زمینی سچائی کی درجہ بندی سے کرتے ہیں۔
استعمال شدہ KNN درجہ بندی ایک میں تربیت یافتہ تھا۔ ایمیزون سیج میکر اسٹوڈیو نوٹ بک ایک جغرافیائی جگہ کے ساتھ تصویر، اور جغرافیائی ڈیٹا کے ساتھ کام کرنے کے لیے ایک لچکدار اور قابل توسیع نوٹ بک دانا فراہم کرتا ہے۔
۔ ایمیزون سیج میکر اسٹوڈیو جیو اسپیشل امیج والی نوٹ بک عام طور پر استعمال ہونے والی جغرافیائی لائبریریوں جیسے GDAL، Fiona، GeoPandas، Shapely، اور Rasterio کے ساتھ پہلے سے انسٹال ہوتی ہے، جو geospatial ڈیٹا کو براہ راست Python نوٹ بک ماحول کے اندر دیکھنے اور پروسیسنگ کی اجازت دیتی ہے۔ عام ML لائبریریاں جیسے OpenCV یا scikit-learn کو KNN درجہ بندی کا استعمال کرتے ہوئے فصلوں کی تقسیم کو انجام دینے کے لیے بھی استعمال کیا جاتا ہے، اور یہ جغرافیائی دانا میں بھی نصب ہیں۔
ڈیٹا کا انتخاب
ہم جس زرعی میدان میں زوم کرتے ہیں وہ کیلیفورنیا میں عام طور پر دھوپ والی سیکرامنٹو کاؤنٹی میں واقع ہے۔
سیکرامنٹو کیوں؟ اس قسم کے مسئلے کے لیے علاقے اور وقت کا انتخاب بنیادی طور پر زمینی سچائی کے اعداد و شمار کی دستیابی سے طے ہوتا ہے، اور فصل کی قسم اور باؤنڈری ڈیٹا میں اس طرح کے ڈیٹا کا آنا آسان نہیں ہے۔ دی 2015 Sacramento County Land Use DWR سروے ڈیٹا سیٹ اس سال میں Sacramento County کا احاطہ کرنے والا عوامی طور پر دستیاب ڈیٹاسیٹ ہے اور ہاتھ سے ایڈجسٹ شدہ حدود فراہم کرتا ہے۔
بنیادی سیٹلائٹ امیجری جو ہم استعمال کرتے ہیں وہ سیارے کا 4 بینڈ ہے۔ PSScene پروڈکٹ، جس میں بلیو، گرین، ریڈ، اور Near-IR بینڈ ہوتے ہیں اور اسے ریڈیو میٹرک طور پر سنسر کی چمک میں درست کیا جاتا ہے۔ سینسر کی عکاسی کو درست کرنے کے لیے گتانک سین میٹا ڈیٹا میں فراہم کیے گئے ہیں، جو مختلف اوقات میں لی گئی تصاویر کے درمیان مستقل مزاجی کو مزید بہتر بناتا ہے۔
سیارے کے ڈوو سیٹلائٹس جنہوں نے یہ تصویر تیار کی ہے 14 فروری 2017 کو لانچ کیا گیا تھا (خبر جاریاس لیے انہوں نے 2015 میں سیکرامنٹو کاؤنٹی کی تصویر نہیں بنائی۔ تاہم، وہ لانچ کے بعد سے روزانہ اس علاقے کی تصویر کشی کر رہے ہیں۔ اس مثال میں، ہم زمینی سچائی کے اعداد و شمار اور سیٹلائٹ امیجری کے درمیان 2 سال کے نامکمل فرق کو پورا کرتے ہیں۔ تاہم، Landsat 8 لوئر ریزولوشن امیجری کو 2015 اور 2017 کے درمیان ایک پل کے طور پر استعمال کیا جا سکتا تھا۔
سیارے کے ڈیٹا تک رسائی حاصل کریں۔
صارفین کو تیزی سے درست اور قابل عمل ڈیٹا حاصل کرنے میں مدد کرنے کے لیے، Planet نے Python کے لیے Planet Software Development Kit (SDK) بھی تیار کیا ہے۔ یہ ڈیٹا سائنسدانوں اور ڈویلپرز کے لیے ایک طاقتور ٹول ہے جو سیٹلائٹ امیجری اور دیگر جغرافیائی ڈیٹا کے ساتھ کام کرنا چاہتے ہیں۔ اس SDK کے ساتھ، آپ سیارہ کے ہائی ریزولوشن سیٹلائٹ امیجری کے وسیع ذخیرے کے ساتھ ساتھ OpenStreetMap جیسے دیگر ذرائع سے ڈیٹا کو تلاش اور رسائی حاصل کر سکتے ہیں۔ SDK پلینیٹ کے APIs کو ایک Python کلائنٹ فراہم کرتا ہے، نیز بغیر کوڈ کمانڈ لائن انٹرفیس (CLI) حل، سیٹلائٹ امیجری اور جغرافیائی ڈیٹا کو Python ورک فلوز میں شامل کرنا آسان بناتا ہے۔ یہ مثال تجزیہ کے لیے درکار تصویروں کی شناخت اور ڈاؤن لوڈ کرنے کے لیے Python کلائنٹ کا استعمال کرتی ہے۔
آپ سیج میکر اسٹوڈیو نوٹ بک میں ایک سادہ کمانڈ کا استعمال کرتے ہوئے جیو اسپیشل امیج کے ساتھ پلینیٹ پائتھون کلائنٹ انسٹال کرسکتے ہیں۔
آپ کلائنٹ کو متعلقہ سیٹلائٹ امیجری سے استفسار کرنے اور دلچسپی کے علاقے، وقت کی حد، اور تلاش کے دیگر معیارات کی بنیاد پر دستیاب نتائج کی فہرست بازیافت کرنے کے لیے استعمال کر سکتے ہیں۔ مندرجہ ذیل مثال میں، ہم یہ پوچھ کر شروع کرتے ہیں کہ کتنے ہیں۔ PlanetScope کے مناظر (سیارے کی روزانہ کی تصویر) دلچسپی کے اسی علاقے (AOI) کا احاطہ کرتی ہے جس کی وضاحت ہم پہلے سیکرامنٹو میں زمینی ڈیٹا کے ذریعے کرتے ہیں، 1 جون اور 1 اکتوبر 2017 کے درمیان ایک مخصوص وقت کی حد دی گئی ہے۔ نیز 10% کی ایک مخصوص مطلوبہ زیادہ سے زیادہ کلاؤڈ کوریج کی حد:
واپس آنے والے نتائج ہماری دلچسپی کے علاقے کے ساتھ ملتے جلتے مناظر کی تعداد کو ظاہر کرتے ہیں۔ اس میں ہر منظر کا میٹا ڈیٹا، اس کی تصویری ID، اور پیش نظارہ تصویر کا حوالہ بھی شامل ہے۔
کسی خاص منظر کو منتخب کرنے کے بعد، منظر کی شناخت، آئٹم کی قسم، اور پروڈکٹ بنڈلز (حوالہ دستاویزات)، آپ تصویر اور اس کا میٹا ڈیٹا ڈاؤن لوڈ کرنے کے لیے درج ذیل کوڈ کا استعمال کر سکتے ہیں:
یہ کوڈ متعلقہ سیٹلائٹ امیج کو ڈاؤن لوڈ کرتا ہے۔ ایمیزون لچکدار فائل سسٹم سیج میکر اسٹوڈیو کے لیے (ایمیزون ای ایف ایس) والیوم۔
ماڈل ٹریننگ
Planet Python کلائنٹ کے ساتھ ڈیٹا ڈاؤن لوڈ ہونے کے بعد، سیگمنٹیشن ماڈل کو تربیت دی جا سکتی ہے۔ اس مثال میں، KNN کی درجہ بندی اور امیج سیگمنٹیشن تکنیک کا امتزاج کراپ ایریا کی شناخت اور جغرافیائی حوالے سے جیوسن خصوصیات بنانے کے لیے استعمال کیا جاتا ہے۔
سیج میکر میں بلٹ ان جیو اسپیشل لائبریریوں اور ٹولز کا استعمال کرتے ہوئے سیارے کے ڈیٹا کو لوڈ اور پری پروسیس کیا جاتا ہے تاکہ اسے KNN کلاسیفائر کی تربیت کے لیے تیار کیا جا سکے۔ تربیت کے لیے زمینی سچائی کا ڈیٹا 2015 سے Sacramento County Land Use DWR سروے ڈیٹاسیٹ ہے، اور 2017 کا Planet ڈیٹا ماڈل کی جانچ کے لیے استعمال کیا جاتا ہے۔
زمینی سچائی کی خصوصیات کو شکل میں تبدیل کریں۔
KNN کلاسیفائر کو تربیت دینے کے لیے، ہر پکسل کی کلاس یا تو crop
or non-crop
شناخت کرنے کی ضرورت ہے. کلاس کا تعین اس بات سے ہوتا ہے کہ آیا پکسل زمینی سچائی کے اعداد و شمار میں فصل کی خصوصیت سے وابستہ ہے یا نہیں۔ یہ تعین کرنے کے لیے، زمینی سچائی کے اعداد و شمار کو پہلے OpenCV شکلوں میں تبدیل کیا جاتا ہے، جسے پھر الگ کرنے کے لیے استعمال کیا جاتا ہے۔ crop
سے non-crop
پکسلز پکسل کی اقدار اور ان کی درجہ بندی کو پھر KNN درجہ بندی کرنے والے کو تربیت دینے کے لیے استعمال کیا جاتا ہے۔
زمینی سچائی کی خصوصیات کو شکل میں تبدیل کرنے کے لیے، خصوصیات کو پہلے تصویر کے کوآرڈینیٹ ریفرنس سسٹم میں پیش کیا جانا چاہیے۔ اس کے بعد، خصوصیات تصویری جگہ میں تبدیل ہو جاتی ہیں، اور آخر میں شکلوں میں تبدیل ہو جاتی ہیں۔ شکلوں کی درستگی کو یقینی بنانے کے لیے، ان کو ان پٹ امیج پر اوورلیڈ کیا جاتا ہے، جیسا کہ درج ذیل مثال میں دکھایا گیا ہے۔
KNN درجہ بندی کو تربیت دینے کے لیے، کراپ اور نان کراپ پکسلز کو ایک ماسک کے طور پر کراپ فیچر کی شکل کا استعمال کرتے ہوئے الگ کیا جاتا ہے۔
KNN درجہ بندی کا ان پٹ دو ڈیٹاسیٹس پر مشتمل ہے: X، ایک 2d صف جو درجہ بندی کرنے کے لیے خصوصیات فراہم کرتی ہے۔ اور y، ایک 1d صف جو کلاسز فراہم کرتی ہے (مثال کے طور پر)۔ یہاں، نان کراپ اور کراپ ڈیٹاسیٹس سے ایک سنگل کلاسیفائیڈ بینڈ بنایا گیا ہے، جہاں بینڈ کی قدریں پکسل کلاس کی نشاندہی کرتی ہیں۔ بینڈ اور بنیادی تصویری پکسل بینڈ کی قدریں پھر درجہ بندی کرنے والے فٹ فنکشن کے لیے X اور y ان پٹ میں تبدیل ہو جاتی ہیں۔
کلاسیفائر کو کراپ اور نان کراپ پکسلز پر تربیت دیں۔
KNN کی درجہ بندی اس کے ساتھ کی جاتی ہے۔ scikit-learn KNeighboursClassifier. پڑوسیوں کی تعداد، ایک پیرامیٹر جو تخمینہ لگانے والے کی کارکردگی کو بہت زیادہ متاثر کرتا ہے، کو KNN کراس توثیق میں کراس توثیق کا استعمال کرتے ہوئے ٹیون کیا جاتا ہے۔ اس کے بعد درجہ بندی کرنے والے کو تیار کردہ ڈیٹاسیٹس اور پڑوسی پیرامیٹرز کی ترتیب شدہ تعداد کا استعمال کرتے ہوئے تربیت دی جاتی ہے۔ درج ذیل کوڈ دیکھیں:
اس کے ان پٹ ڈیٹا پر درجہ بندی کرنے والے کی کارکردگی کا اندازہ لگانے کے لیے، پکسل بینڈ کی اقدار کا استعمال کرتے ہوئے پکسل کلاس کی پیش گوئی کی جاتی ہے۔ درجہ بندی کرنے والے کی کارکردگی بنیادی طور پر تربیتی ڈیٹا کی درستگی اور ان پٹ ڈیٹا (پکسل بینڈ ویلیوز) کی بنیاد پر پکسل کلاسز کی واضح علیحدگی پر مبنی ہے۔ درجہ بندی کرنے والے کے پیرامیٹرز، جیسے کہ پڑوسیوں کی تعداد اور فاصلہ وزن کا فنکشن، کو بعد میں کسی بھی غلطی کی تلافی کے لیے ایڈجسٹ کیا جا سکتا ہے۔ درج ذیل کوڈ دیکھیں:
ماڈل کی پیشن گوئیوں کا اندازہ کریں۔
تربیت یافتہ KNN درجہ بندی ٹیسٹ کے اعداد و شمار میں فصل کے علاقوں کی پیشن گوئی کرنے کے لیے استعمال کیا جاتا ہے۔ یہ ٹیسٹ ڈیٹا ان علاقوں پر مشتمل ہے جو تربیت کے دوران ماڈل کے سامنے نہیں آئے تھے۔ دوسرے الفاظ میں، ماڈل کو اس کے تجزیہ سے پہلے علاقے کے بارے میں کوئی علم نہیں ہے اور اس لیے اس ڈیٹا کو ماڈل کی کارکردگی کا معروضی جائزہ لینے کے لیے استعمال کیا جا سکتا ہے۔ ہم کئی علاقوں کا بصری معائنہ کرکے شروع کرتے ہیں، اس علاقے سے شروع کرتے ہیں جو نسبتاً زیادہ شور والا ہو۔
بصری معائنہ سے پتہ چلتا ہے کہ پیش گوئی کی گئی کلاسیں زیادہ تر زمینی سچائی کی کلاسوں کے ساتھ مطابقت رکھتی ہیں۔ انحراف کے چند علاقے ہیں، جن کا ہم مزید معائنہ کرتے ہیں۔
مزید تفتیش کرنے پر، ہم نے دریافت کیا کہ اس خطے میں کچھ شور زمینی سچائی کے اعداد و شمار کی وجہ سے تھا جو کہ درجہ بند تصویر میں موجود نہیں ہے (اوپر دائیں بائیں اور نیچے بائیں کے مقابلے میں)۔ ایک خاص طور پر دلچسپ تلاش یہ ہے کہ درجہ بندی کرنے والا دریا کے کنارے درختوں کی شناخت کرتا ہے۔ non-crop
، جبکہ زمینی سچائی کے اعداد و شمار غلطی سے ان کی شناخت کرتے ہیں۔ crop
. ان دو حصوں کے درمیان یہ فرق درختوں کی وجہ سے ہو سکتا ہے جو فصلوں پر اس خطے کو سایہ دیتے ہیں۔
اس کے بعد، ہم ایک اور علاقے کا معائنہ کرتے ہیں جس کی درجہ بندی دونوں طریقوں کے درمیان مختلف تھی۔ ان نمایاں کردہ علاقوں کو پہلے 2015 میں زمینی سچائی کے اعداد و شمار میں غیر فصلی خطوں کے طور پر نشان زد کیا گیا تھا (اوپر دائیں) لیکن تبدیل کر دیا گیا اور 2017 میں Planetscope Scenes (اوپر بائیں اور نیچے بائیں) کے ذریعے واضح طور پر فصلی زمین کے طور پر دکھایا گیا۔ انہیں درجہ بندی کرنے والے (نیچے دائیں) کے ذریعے بڑے پیمانے پر فصلی زمین کے طور پر بھی درجہ بندی کیا گیا تھا۔
ایک بار پھر، ہم دیکھتے ہیں کہ KNN درجہ بندی زمینی سچائی کی کلاس سے زیادہ دانے دار نتیجہ پیش کرتا ہے، اور یہ فصلی زمین میں ہونے والی تبدیلی کو بھی کامیابی سے گرفت میں لے لیتا ہے۔ یہ مثال روزانہ تازہ کیے جانے والے سیٹلائٹ ڈیٹا کی قدر کو بھی بتاتی ہے کیونکہ دنیا اکثر سالانہ رپورٹس کے مقابلے میں بہت تیزی سے تبدیل ہوتی ہے، اور اس طرح ML کے ساتھ ایک مشترکہ طریقہ ہمیں تبدیلیوں کو وقوع پذیر کرنے میں مدد دے سکتا ہے۔ سیٹلائٹ ڈیٹا کے ذریعے اس طرح کی تبدیلیوں کی نگرانی اور دریافت کرنے کے قابل ہونا، خاص طور پر ابھرتے ہوئے زرعی شعبوں میں، کاشتکاروں کو اپنے کام کو بہتر بنانے کے لیے مددگار بصیرت فراہم کرتا ہے اور ویلیو چین میں کسی بھی زرعی اسٹیک ہولڈر کو موسم کی بہتر نبض حاصل کرنے کے لیے۔
ماڈل کی تشخیص
پیشین گوئی شدہ کلاسوں کی تصاویر کا زمینی سچائی کی کلاسوں سے بصری موازنہ موضوعی ہو سکتا ہے اور درجہ بندی کے نتائج کی درستگی کا اندازہ لگانے کے لیے اسے عام نہیں کیا جا سکتا۔ مقداری تشخیص حاصل کرنے کے لیے، ہم سکیٹ لرن کا استعمال کر کے درجہ بندی کے میٹرکس حاصل کرتے ہیں۔ classification_report
فنکشن:
پکسل کی درجہ بندی کا استعمال فصلوں کے خطوں کے سیگمنٹیشن ماسک بنانے کے لیے کیا جاتا ہے، جس سے درستگی اور اہم میٹرکس کو یاد کیا جاتا ہے، اور F1 درستگی کی پیش گوئی کے لیے مجموعی طور پر ایک اچھا اسکور بناتا ہے۔ ہمارے نتائج ہمیں ٹرین اور ٹیسٹ ڈیٹا سیٹ میں فصل اور غیر فصل دونوں خطوں کے لیے میٹرکس فراہم کرتے ہیں۔ تاہم، چیزوں کو سادہ رکھنے کے لیے، آئیے ٹیسٹ ڈیٹاسیٹ میں فصلوں کے علاقوں کے تناظر میں ان میٹرکس پر گہری نظر ڈالیں۔
درستگی اس بات کا پیمانہ ہے کہ ہمارے ماڈل کی مثبت پیشین گوئیاں کتنی درست ہیں۔ اس صورت میں، فصلی خطوں کے لیے 0.94 کی درستگی اس بات کی نشاندہی کرتی ہے کہ ہمارا ماڈل صحیح طریقے سے ان علاقوں کی نشاندہی کرنے میں بہت کامیاب ہے جو درحقیقت فصل کے علاقے ہیں، جہاں غلط مثبت (اصلی غیر فصلی خطوں کو فصلی علاقوں کے طور پر غلط طریقے سے شناخت کیا گیا ہے) کو کم کیا گیا ہے۔ یاد رکھیں، دوسری طرف، مثبت پیشین گوئیوں کے مکمل ہونے کی پیمائش کرتا ہے۔ دوسرے لفظوں میں، یاد کرنا حقیقی مثبتات کے تناسب کی پیمائش کرتا ہے جن کی صحیح شناخت کی گئی تھی۔ ہمارے معاملے میں، فصل کے علاقوں کے لیے 0.73 کی واپسی کی قدر کا مطلب یہ ہے کہ تمام حقیقی فصلوں کے علاقے کے پکسلز میں سے 73% درست طریقے سے شناخت کیے گئے ہیں، جس سے غلط منفی کی تعداد کو کم کیا جاتا ہے۔
مثالی طور پر، درستگی اور یادداشت دونوں کی اعلیٰ اقدار کو ترجیح دی جاتی ہے، حالانکہ یہ زیادہ تر کیس اسٹڈی کے اطلاق پر منحصر ہو سکتا ہے۔ مثال کے طور پر، اگر ہم ان کاشتکاروں کے لیے ان نتائج کا جائزہ لے رہے ہیں جو زراعت کے لیے فصلی علاقوں کی نشاندہی کرنا چاہتے ہیں، تو ہم غلط منفی کی تعداد کو کم کرنے کے لیے درستگی سے زیادہ یاد کو ترجیح دینا چاہیں گے (ان علاقوں کی شناخت غیر فصلی علاقوں کے طور پر کی گئی ہے اصل میں فصل کے علاقے ہیں) تاکہ زمین کا زیادہ سے زیادہ استعمال کیا جا سکے۔ F1-اسکور ایک مجموعی درستگی میٹرک کے طور پر کام کرتا ہے جس میں درستگی اور یاد دونوں کو ملایا جاتا ہے، اور دونوں میٹرکس کے درمیان توازن کی پیمائش ہوتی ہے۔ ایک اعلی F1 سکور، جیسا کہ فصلوں کے علاقوں کے لیے ہمارا (0.82)، درستگی اور یاد دونوں کے درمیان ایک اچھا توازن اور مجموعی درجہ بندی کی درستگی کی نشاندہی کرتا ہے۔ اگرچہ F1-اسکور ٹرین اور ٹیسٹ ڈیٹاسیٹ کے درمیان گرتا ہے، لیکن اس کی توقع کی جاتی ہے کیونکہ درجہ بندی کرنے والے کو ٹرین ڈیٹاسیٹ پر تربیت دی گئی تھی۔ 1 کا مجموعی وزنی اوسط F0.77 اسکور امید افزا ہے اور درجہ بند ڈیٹا پر سیگمنٹیشن اسکیموں کو آزمانے کے لیے کافی ہے۔
کلاسیفائر سے سیگمنٹیشن ماسک بنائیں
ٹیسٹ ڈیٹاسیٹ پر KNN کلاسیفائر کی پیشین گوئیوں کا استعمال کرتے ہوئے سیگمنٹیشن ماسک کی تخلیق میں تصویری شور کی وجہ سے چھوٹے حصوں سے بچنے کے لیے پیش گوئی شدہ آؤٹ پٹ کو صاف کرنا شامل ہے۔ دھبے کے شور کو دور کرنے کے لیے، ہم OpenCV استعمال کرتے ہیں۔ میڈین بلر فلٹر. یہ فلٹر مورفولوجیکل اوپن آپریشن سے بہتر فصلوں کے درمیان سڑک کے خاکوں کو محفوظ رکھتا ہے۔
منحرف آؤٹ پٹ پر بائنری سیگمنٹیشن کو لاگو کرنے کے لیے، ہمیں پہلے کلاسیفائیڈ راسٹر ڈیٹا کو اوپن سی وی کا استعمال کرتے ہوئے ویکٹر فیچرز میں تبدیل کرنا ہوگا۔ Contours تلاش کریں تقریب.
آخر میں، منقسم فصل کے خاکے کا استعمال کرتے ہوئے اصل منقسم فصل کے علاقوں کی گنتی کی جا سکتی ہے۔
KNN درجہ بندی سے تیار کردہ فصلوں کے منقسم علاقے ٹیسٹ ڈیٹاسیٹ میں فصل کے علاقوں کی درست شناخت کی اجازت دیتے ہیں۔ ان منقسم علاقوں کو مختلف مقاصد کے لیے استعمال کیا جا سکتا ہے، جیسے کھیت کی حدود کی شناخت، فصل کی نگرانی، پیداوار کا تخمینہ، اور وسائل کی تقسیم۔ 1 کا حاصل کردہ F0.77 سکور اچھا ہے اور اس بات کا ثبوت فراہم کرتا ہے کہ KNN درجہ بندی ریموٹ سینسنگ امیجز میں فصلوں کی تقسیم کے لیے ایک موثر ٹول ہے۔ ان نتائج کو فصلوں کی تقسیم کی تکنیکوں کو مزید بہتر اور بہتر بنانے کے لیے استعمال کیا جا سکتا ہے، جو ممکنہ طور پر فصلوں کے تجزیہ میں درستگی اور کارکردگی میں اضافہ کا باعث بنتا ہے۔
نتیجہ
اس پوسٹ نے یہ ظاہر کیا کہ آپ کس طرح کا مجموعہ استعمال کرسکتے ہیں۔ سیارے کا ہائی کیڈینس، ہائی ریزولوشن سیٹلائٹ امیجری اور سیج میکر کی جغرافیائی صلاحیتیں۔ فصلوں کی تقسیم کا تجزیہ کرنے کے لیے، قیمتی بصیرت کو غیر مقفل کرنا جو زرعی کارکردگی، ماحولیاتی پائیداری، اور خوراک کی حفاظت کو بہتر بنا سکتا ہے۔ فصلوں کے علاقوں کی درست شناخت فصل کی نشوونما اور پیداواری صلاحیت، زمین کے استعمال میں ہونے والی تبدیلیوں کی نگرانی، اور ممکنہ غذائی تحفظ کے خطرات کا پتہ لگانے کے قابل بناتی ہے۔
مزید برآں، پلانیٹ ڈیٹا اور سیج میکر کا امتزاج فصلوں کی تقسیم کے علاوہ استعمال کے کیسز کی ایک وسیع رینج پیش کرتا ہے۔ بصیرت صرف زراعت میں فصلوں کے انتظام، وسائل کی تقسیم، اور پالیسی کی منصوبہ بندی پر ڈیٹا پر مبنی فیصلوں کو قابل بنا سکتی ہے۔ مختلف ڈیٹا اور ایم ایل ماڈلز کے ساتھ، مشترکہ پیشکش دیگر صنعتوں میں بھی پھیل سکتی ہے اور ڈیجیٹل تبدیلی، پائیداری کی تبدیلی، اور سلامتی کے لیے معاملات کو استعمال کر سکتی ہے۔
SageMaker جغرافیائی صلاحیتوں کا استعمال شروع کرنے کے لیے، دیکھیں Amazon SageMaker جغرافیائی صلاحیتوں کے ساتھ شروع کریں۔.
سیارے کی تصویری خصوصیات اور ڈویلپر کے حوالہ جات کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ سیارے کے ڈویلپر کا مرکز. Python کے لیے Planet's SDK پر دستاویزات کے لیے، دیکھیں Python کے لیے Planet SDK. سیارے کے بارے میں مزید معلومات کے لیے، بشمول اس کے موجودہ ڈیٹا پروڈکٹس اور آنے والی پروڈکٹ ریلیز، ملاحظہ کریں۔ https://www.planet.com/.
پلانیٹ لیبز پی بی سی کے آگے نظر آنے والے بیانات
یہاں پر موجود تاریخی معلومات کے علاوہ، اس بلاگ پوسٹ میں بیان کردہ معاملات پرائیویٹ سیکیورٹیز لٹیگیشن ریفارم ایکٹ 1995 کے "محفوظ بندرگاہ" کے معنی کے تحت آگے بڑھنے والے بیانات ہیں، بشمول، لیکن ان تک محدود نہیں، Planet Labs PBC کی مارکیٹ کے مواقع کو حاصل کرنے اور موجودہ یا مستقبل کی مصنوعات میں اضافے، نئی مصنوعات، یا اسٹریٹجک شراکت داری اور کسٹمر کے تعاون سے ممکنہ فوائد کا احساس کرنے کی صلاحیت۔ مستقبل کے حوالے سے بیانات پلینیٹ لیبز پی بی سی کی انتظامیہ کے عقائد کے ساتھ ساتھ ان کے ذریعہ کئے گئے مفروضوں اور فی الحال ان کے پاس دستیاب معلومات پر مبنی ہیں۔ چونکہ اس طرح کے بیانات مستقبل کے واقعات اور نتائج کی توقعات پر مبنی ہوتے ہیں اور حقیقت کے بیانات نہیں ہوتے ہیں، اس لیے حقیقی نتائج مادی طور پر پیش کیے گئے نتائج سے مختلف ہو سکتے ہیں۔ ایسے عوامل جن کی وجہ سے حقیقی نتائج موجودہ توقعات سے مادی طور پر مختلف ہو سکتے ہیں ان میں شامل ہیں، لیکن پلانیٹ لیبز پی بی سی اور اس کے کاروبار کے بارے میں خطرے والے عوامل اور دیگر انکشافات تک محدود نہیں ہیں جو پلانیٹ لیبز پی بی سی کی متواتر رپورٹس، پراکسی بیانات، اور وقت سے دائر دیگر انکشافی مواد میں شامل ہیں۔ سیکیورٹیز اینڈ ایکسچینج کمیشن (SEC) کے ساتھ وقت پر جو آن لائن دستیاب ہیں۔ www.sec.gov، اور پلینیٹ لیبز پی بی سی کی ویب سائٹ www.planet.com پر۔ تمام مستقبل کے حوالے سے بیانات Planet Labs PBC کے عقائد اور مفروضوں کی عکاسی کرتے ہیں صرف اس تاریخ کے مطابق جب ایسے بیانات دیئے گئے ہیں۔ Planet Labs PBC مستقبل کے واقعات یا حالات کی عکاسی کرنے کے لیے مستقبل کے حوالے سے بیانات کو اپ ڈیٹ کرنے کی کوئی ذمہ داری نہیں لیتا۔
مصنفین کے بارے میں
لیڈیا لیہوئی ژانگ پلینیٹ لیبز پی بی سی میں بزنس ڈیولپمنٹ اسپیشلسٹ ہیں، جہاں وہ مختلف شعبوں میں زمین کی بہتری کے لیے جگہ کو جوڑنے میں مدد کرتی ہیں اور بے شمار استعمال کے کیسز۔ اس سے پہلے، وہ McKinsey ACRE میں ڈیٹا سائنٹسٹ تھیں، جو زراعت پر مرکوز حل ہے۔ اس نے خلائی پالیسی پر توجہ مرکوز کرتے ہوئے MIT ٹیکنالوجی پالیسی پروگرام سے سائنس میں ماسٹر کیا ہے۔ جغرافیائی اعداد و شمار اور کاروبار اور پائیداری پر اس کا وسیع اثر اس کے کیریئر کا مرکز رہا ہے۔
مانسی شاہ ایک سافٹ ویئر انجینئر، ڈیٹا سائنسدان، اور موسیقار ہے جس کا کام ان جگہوں کو تلاش کرتا ہے جہاں فنکارانہ سختی اور تکنیکی تجسس آپس میں ٹکراتے ہیں۔ اس کا خیال ہے کہ ڈیٹا (جیسے آرٹ!) زندگی کی نقل کرتا ہے، اور نمبروں اور نوٹوں کے پیچھے انسانی کہانیوں میں گہری دلچسپی رکھتی ہے۔
Xiong Zhou AWS میں ایک سینئر اپلائیڈ سائنٹسٹ ہے۔ وہ Amazon SageMaker جغرافیائی صلاحیتوں کے لیے سائنس ٹیم کی قیادت کرتا ہے۔ ان کی تحقیق کے موجودہ شعبے میں کمپیوٹر ویژن اور موثر ماڈل ٹریننگ شامل ہے۔ اپنے فارغ وقت میں، وہ دوڑنا، باسکٹ بال کھیلنا، اور اپنے خاندان کے ساتھ وقت گزارنا پسند کرتا ہے۔
جانوش ووشٹز AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، geospatial AI/ML میں مہارت رکھتا ہے۔ 15 سال سے زیادہ کے تجربے کے ساتھ، وہ جغرافیائی ڈیٹا سے فائدہ اٹھانے والے اختراعی حل کے لیے AI اور ML کا فائدہ اٹھانے میں عالمی سطح پر صارفین کی مدد کرتا ہے۔ اس کی مہارت مشین لرننگ، ڈیٹا انجینئرنگ، اور اسکیل ایبل ڈسٹری بیوٹڈ سسٹمز پر محیط ہے، جو سافٹ ویئر انجینئرنگ میں مضبوط پس منظر اور خود مختار ڈرائیونگ جیسے پیچیدہ ڈومینز میں صنعت کی مہارت سے بڑھا ہے۔
شیتل ڈھاکل سان فرانسسکو بے ایریا میں مقیم SageMaker geospatial ML ٹیم کے ساتھ ایک سینئر پروگرام مینیجر ہے۔ اس کا پس منظر ریموٹ سینسنگ اور جیوگرافک انفارمیشن سسٹم (GIS) میں ہے۔ وہ صارفین کے درد کے نکات کو سمجھنے اور انہیں حل کرنے کے لیے جغرافیائی مصنوعات بنانے کا شوق رکھتا ہے۔ اپنے فارغ وقت میں، وہ پیدل سفر، سفر اور ٹینس کھیلنے سے لطف اندوز ہوتا ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 14
- 15 سال
- 15٪
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- کی صلاحیت
- قابلیت
- ہمارے بارے میں
- رفتار کو تیز تر
- تک رسائی حاصل
- درستگی
- درست
- درست طریقے سے
- حاصل کیا
- حاصل
- ایکڑ
- کے پار
- ایکٹ
- اعمال
- اصل
- اصل میں
- موافقت
- ایڈجسٹ
- پر اثر انداز
- کو متاثر
- کے بعد
- زرعی
- زراعت
- AI
- AI / ML
- تمام
- تین ہلاک
- کی اجازت
- اجازت دے رہا ہے
- اکیلے
- ساتھ
- بھی
- اگرچہ
- ایمیزون
- ایمیزون سیج میکر
- Amazon SageMaker geospatial
- ایمیزون سیج میکر اسٹوڈیو
- ایمیزون ویب سروسز
- an
- تجزیہ
- تجزیے
- اور
- سالانہ
- ایک اور
- کوئی بھی
- کہیں
- APIs
- درخواست
- ایپلی کیشنز
- اطلاقی
- کا اطلاق کریں
- ابلیھاگار
- کیا
- رقبہ
- علاقوں
- لڑی
- فنکارانہ
- AS
- سے پوچھ
- تشخیص کریں
- اندازہ
- تشخیص
- اثاثے
- مدد
- منسلک
- مفروضے
- At
- اضافہ
- خود مختار
- دستیابی
- دستیاب
- اوسط
- سے اجتناب
- انتظار کرو
- AWS
- واپس
- پس منظر
- متوازن
- بینڈ
- بینڈ کی
- بار
- کی بنیاد پر
- بنیاد
- باسکٹ بال
- خلیج
- BE
- کیونکہ
- رہا
- شروع
- پیچھے
- کیا جا رہا ہے
- عقائد
- خیال ہے
- فوائد
- بہتر
- بہتر ہونا
- کے درمیان
- سے پرے
- بلاگ
- بلیو
- کلنک
- دونوں
- پایان
- حدود
- حد
- پل
- لانے
- وسیع
- تعمیر
- عمارت
- تعمیر میں
- بنڈل
- کاروبار
- کاروبار کی ترقی
- لیکن
- by
- CA
- کیلی فورنیا
- کر سکتے ہیں
- صلاحیتوں
- فائدہ
- قبضہ
- قبضہ
- کیریئر کے
- کیس
- کیس اسٹڈی
- مقدمات
- کیونکہ
- وجہ
- کچھ
- چین
- تبدیل
- تبدیل کر دیا گیا
- تبدیلیاں
- خصوصیات
- حالات
- طبقے
- کلاس
- درجہ بندی
- درجہ بندی
- صفائی
- واضح
- واضح طور پر
- سی ایل ایف
- کلائنٹ
- آب و ہوا
- موسمیاتی تبدیلی
- قریب
- بادل
- کوڈ
- تعاون
- مجموعہ
- ٹکراؤ
- COM
- مجموعہ
- مل کر
- امتزاج
- کس طرح
- آتا ہے
- کمیشن
- کامن
- عام طور پر
- کمپنی کے
- تقابلی طور پر
- موازنہ
- مقابلے میں
- موازنہ
- پیچیدہ
- کمپیوٹر
- کمپیوٹر ویژن
- سلوک
- رابطہ قائم کریں
- متواتر
- مشتمل
- پر مشتمل ہے
- پر مشتمل ہے
- سیاق و سباق
- جاری ہے
- تبدیل
- تبدیل
- محدد
- کور
- درست کیا
- اسی کے مطابق
- سکتا ہے
- کاؤنٹی
- احاطہ
- کوریج
- ڈھکنے
- تخلیق
- بنائی
- تخلیق
- مخلوق
- معیار
- فصل
- فصلیں
- تجسس
- موجودہ
- اس وقت
- گاہک
- گاہکوں
- روزانہ
- اعداد و شمار
- ڈیٹا سائنسدان
- اعداد و شمار پر مبنی ہے
- ڈیٹاسیٹس
- تاریخ
- فیصلے
- گہرے
- وضاحت
- کی وضاحت
- demonstrated,en
- انحصار
- تعیناتی
- اخذ کردہ
- مطلوبہ
- تباہ
- تفصیل
- کھوج
- عزم
- کا تعین
- ترقی یافتہ
- ڈیولپر
- ڈویلپرز
- ترقی
- انحراف
- مختلف
- فرق
- مختلف
- ڈیجیٹل
- ڈیجیٹل تبدیلی
- براہ راست
- آفت
- انکشاف
- دریافت
- دریافت
- بات چیت
- فاصلے
- تقسیم کئے
- تقسیم شدہ نظام
- تقسیم
- دستاویزات
- ڈومینز
- کبوتر
- ڈاؤن لوڈ، اتارنا
- ڈاؤن لوڈز
- ڈرائیو
- ڈرائیونگ
- قطرے
- دو
- کے دوران
- ہر ایک
- اس سے قبل
- زمین
- آسانی سے
- آسان
- موثر
- کارکردگی
- ہنر
- مؤثر طریقے سے
- کوششوں
- یا تو
- بااختیار
- کو چالو کرنے کے
- کے قابل بناتا ہے
- انجینئر
- انجنیئرنگ
- انجینئرز
- اضافہ
- کافی
- افزودگی
- کو یقینی بنانے کے
- ماحولیات
- ماحولیاتی
- ماحولیاتی پائیداری
- ماحول
- خاص طور پر
- اندازہ
- واقعہ
- واقعات
- ثبوت
- تیار ہوتا ہے
- جانچ کر رہا ہے
- مثال کے طور پر
- ایکسچینج
- موجودہ
- توسیع
- توقعات
- توقع
- تجربہ
- مہارت
- تلاش
- دریافت کرتا ہے
- ظاہر
- f1
- حقیقت یہ ہے
- عوامل
- جھوٹی
- خاندان
- کسانوں
- کاشتکاری
- تیز تر
- نمایاں کریں
- خصوصیات
- فروری
- کھاد
- چند
- میدان
- قطعات
- فائل
- دائر
- فلٹر
- آخر
- مل
- تلاش
- فیونا
- پہلا
- فٹ
- فلیٹ
- لچکدار
- سیلاب
- توجہ مرکوز
- توجہ مرکوز
- کے بعد
- کھانا
- کے لئے
- آگے
- آگے بڑھنا
- فاؤنڈیشن
- فرانسسکو
- سے
- تقریب
- مزید
- مستقبل
- حاصل کرنا
- فرق
- جغرافیائی
- Geospatial ML
- حاصل
- دے دو
- دی
- گلوبل
- عالمی سطح پر
- اچھا
- گرافکس
- بہت
- سبز
- گراؤنڈ
- بڑھتے ہوئے
- ترقی
- مہمان
- مہمان پوسٹ
- ہاتھ
- ہو
- ہو رہا ہے۔
- ہے
- ہونے
- he
- صحت
- مدد
- مدد گار
- مدد کرتا ہے
- اس کی
- یہاں
- یہاں
- ہائی
- اعلی تعدد
- بهترین ریزولوشن
- اعلی
- روشنی ڈالی گئی
- ان
- تاریخی
- کی ڈگری حاصل کی
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- انسانی
- i
- ID
- شناخت
- کی نشاندہی
- شناخت
- شناخت
- کی نشاندہی
- if
- تصویر
- تصاویر
- بہت زیادہ
- اثر
- اہم
- کو بہتر بنانے کے
- بہتر ہے
- کو بہتر بنانے کے
- in
- دیگر میں
- شامل
- شامل
- شامل ہیں
- سمیت
- شامل
- غلط طریقے سے
- اضافہ
- اضافہ
- یقینا
- انڈکس
- اشارہ کرتے ہیں
- اشارہ کرتا ہے
- صنعتوں
- صنعت
- معلومات
- جدید
- ان پٹ
- آدانوں
- بصیرت
- متاثر
- انسٹال
- نصب
- انٹرایکٹو
- دلچسپی
- دلچسپی
- دلچسپ
- انٹرفیس
- میں
- تحقیقات
- IT
- میں
- جینیفر
- فوٹو
- جون
- رکھیں
- کٹ (SDK)
- علم
- کیلی
- لیبز
- لینڈ
- بڑے
- بڑے پیمانے پر
- بڑے پیمانے پر
- مرحوم
- شروع
- شروع
- قیادت
- معروف
- لیڈز
- جانیں
- سیکھنے
- چھوڑ دیا
- لیورنگنگ
- لائبریریوں
- زندگی
- کی طرح
- لمیٹڈ
- لائن
- لسٹ
- قانونی چارہ جوئی
- واقع ہے
- دیکھو
- تلاش
- مشین
- مشین لرننگ
- میکرو
- بنا
- بنیادی طور پر
- بنا
- بنانا
- انتظام
- انتظام
- مینیجر
- بہت سے
- نقشہ
- نشان لگا دیا گیا
- مارکیٹ
- ماسک
- ماسٹر
- کے ملاپ
- مادی طور پر
- مواد
- معاملات
- زیادہ سے زیادہ
- مئی..
- میکنسی
- مطلب
- کا مطلب ہے کہ
- پیمائش
- اقدامات
- پیمائش
- میٹا ڈیٹا
- طریقہ
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- کم سے کم
- ایم ائی ٹی
- تخفیف کرنا
- ML
- ماڈل
- ماڈل
- کی نگرانی
- نگرانی
- زیادہ
- سب سے زیادہ
- زیادہ تر
- بہت
- ایک سے زیادہ
- موسیقار
- ضروری
- ہزارہا
- قدرتی
- ضرورت ہے
- ضرورت
- ضروریات
- منفی
- پڑوسیوں
- نئی
- نئی مصنوعات
- نہیں
- شور
- نوٹ بک
- نوٹس
- تعداد
- تعداد
- متعدد
- معروضی طور پر
- ذمہ داری
- مشاہدہ
- حاصل
- اکتوبر
- of
- کی پیشکش
- تجویز
- اکثر
- on
- آن لائن
- صرف
- کھول
- OpenCV
- آپریشن
- مواقع
- کی اصلاح کریں
- or
- حکم
- احکامات
- تنظیمیں
- اصل میں
- دیگر
- ہمارے
- برداشت
- خطوط
- پیداوار
- پر
- مجموعی طور پر
- خود
- درد
- پیرامیٹر
- پیرامیٹرز
- خاص طور پر
- خاص طور پر
- شراکت داری
- شراکت داری
- جذباتی
- پیٹرن
- انجام دیں
- کارکردگی
- کارکردگی
- متواتر
- جسمانی
- لینے
- دانہ
- سیارے
- منصوبہ بندی
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پوائنٹس
- پالیسی
- مثبت
- ممکن
- پوسٹ
- ممکنہ
- ممکنہ طور پر
- طاقت
- طاقتور
- طریقوں
- عین مطابق
- صحت سے متعلق
- پیشن گوئی
- پیش گوئی
- پیش گوئی
- پیشن گوئی
- کو ترجیح دی
- تیار
- تیار
- حال (-)
- تحفہ
- پیش نظارہ
- پہلے
- بنیادی طور پر
- پرائمری
- پہلے
- ترجیح دیں
- نجی
- مسئلہ
- عمل
- عملدرآمد
- پروسیسنگ
- تیار
- مصنوعات
- پیداوری
- حاصل
- گہرا
- پروگرام
- متوقع
- وعدہ
- تناسب
- فراہم
- فراہم
- فراہم کرتا ہے
- پراکسی
- عوامی طور پر
- پلس
- مقاصد
- ازگر
- مقدار کی
- فوری
- جلدی سے
- رینج
- احساس
- ریڈ
- کو کم کرنے
- بہتر
- کی عکاسی
- ریفارم
- خطے
- خطوں
- ریلیز
- متعلقہ
- ریلیف
- ریموٹ
- ہٹا
- رپورٹ
- رپورٹیں
- نمائندے
- درخواست
- تحقیق
- وسائل
- وسائل
- نتیجہ
- نتائج کی نمائش
- واپسی
- ظاہر
- پتہ چلتا
- امیر
- ٹھیک ہے
- رسک
- خطرے والے عوامل
- خطرات
- دریائے
- سڑک
- رن
- چل رہا ہے
- Sacramento
- sagemaker
- اسی
- سان
- سان فرانسسکو
- سیٹلائٹ
- مصنوعی سیارہ
- توسیع پذیر
- منظر
- مناظر
- منصوبوں
- سائنس
- سائنسدان
- سائنسدانوں
- سائنٹ سیکھنا
- سکور
- sdk
- تلاش کریں
- موسم
- SEC
- سیکٹر
- سیکورٹیز
- سیکورٹیز اینڈ ایکسچینج کمیشن
- سیکورٹی
- سیکورٹی خطرات
- دیکھنا
- انقطاع
- حصوں
- منتخب
- انتخاب
- سینئر
- علیحدہ
- کام کرتا ہے
- سروسز
- مقرر
- سیٹ
- حل کرو
- کئی
- وہ
- دکھائیں
- دکھایا گیا
- اسی طرح
- سادہ
- بعد
- ایک
- سائز
- چھوٹے
- سافٹ ویئر کی
- سوفٹ ویئر کی نشوونما
- سافٹ ویئر ڈویلپمنٹ کٹ
- سافٹ ویئر انجنیئر
- سافٹ ویئر انجینئرنگ
- مٹی
- حل
- حل
- حل
- کچھ
- ماخذ
- ذرائع
- خلا
- خالی جگہیں
- پھیلا ہوا ہے
- مقامی
- بولی
- ماہر
- مہارت
- تصریح
- وضاحتیں
- سپیکٹرا
- خرچ کرنا۔
- حصہ دار
- اسٹیک ہولڈرز
- شروع کریں
- شروع
- حالت
- بیانات
- درجہ
- مرحلہ
- خبریں
- حکمت عملی
- اسٹریٹجک پارٹنرشپ
- حکمت عملیوں
- کشیدگی
- مضبوط
- سٹوڈیو
- مطالعہ
- سبسکرائب
- کامیاب
- کامیابی کے ساتھ
- اس طرح
- حمایت
- کی حمایت کرتا ہے
- سطح
- سروے
- پائیداری
- پائیدار
- کے نظام
- سسٹمز
- لے لو
- لیا
- لینے
- ٹیم
- ٹیکنیکل
- تکنیک
- ٹیکنالوجی
- ٹیسٹ
- گا
- ٹیسٹنگ
- سے
- کہ
- ۔
- علاقہ
- ریاست
- دنیا
- ان
- ان
- تو
- وہاں.
- لہذا
- یہ
- وہ
- چیزیں
- اس
- ان
- کے ذریعے
- وقت
- اوقات
- کرنے کے لئے
- کے آلے
- اوزار
- سب سے اوپر
- کی طرف
- ٹریک
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- تبدیلی
- تبدیل
- سفر
- درخت
- رجحانات
- سچ
- حقیقت
- کوشش
- دو
- قسم
- بنیادی
- افہام و تفہیم
- شروع
- غیر مقفل
- جب تک
- آئندہ
- اپ ڈیٹ کریں
- us
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- صارفین
- استعمال
- کا استعمال کرتے ہوئے
- عام طور پر
- استعمال کیا
- قیمتی
- قیمت
- اقدار
- مختلف
- وسیع
- بہت
- کی طرف سے
- نقطہ نظر
- دورہ
- تصور
- ضعف
- حجم
- قابل اطلاق
- انتظار
- چاہتے ہیں
- تھا
- فضلے کے
- پانی
- we
- ویب
- ویب خدمات
- ویب سائٹ
- اچھا ہے
- تھے
- جبکہ
- چاہے
- جس
- جبکہ
- ڈبلیو
- کس کی
- وسیع
- وسیع رینج
- ساتھ
- کے اندر
- بغیر
- الفاظ
- کام
- کام کا بہاؤ
- کام کے بہاؤ
- کام کر
- دنیا
- گا
- لکھا
- X
- سال
- سال
- پیداوار
- تم
- زیفیرنیٹ
- زوم