Bài đăng này được đồng sáng tác bởi Lydia Lihui Zhang, Chuyên gia phát triển kinh doanh và Mansi Shah, Kỹ sư phần mềm/Nhà khoa học dữ liệu, tại Planet Labs. Các phân tích đã truyền cảm hứng cho bài viết này ban đầu được viết bởi Jennifer Reiber Kyle.
Khả năng không gian địa lý của Amazon SageMaker kết hợp với Hành tinhDữ liệu vệ tinh của có thể được sử dụng để phân khúc cây trồng và có rất nhiều ứng dụng cũng như lợi ích tiềm năng của phân tích này đối với các lĩnh vực nông nghiệp và tính bền vững. Vào cuối năm 2023, Hành tinh công bố hợp tác với AWS để cung cấp dữ liệu không gian địa lý thông qua Amazon SageMaker.
Phân đoạn cắt xén là quá trình chia ảnh vệ tinh thành các vùng pixel hoặc phân đoạn có đặc điểm cắt xén tương tự. Trong bài đăng này, chúng tôi minh họa cách sử dụng mô hình máy học phân đoạn (ML) để xác định các vùng cắt và không cắt trong một hình ảnh.
Xác định các vùng trồng trọt là một bước cốt lõi để đạt được những hiểu biết sâu sắc về nông nghiệp và sự kết hợp giữa dữ liệu không gian địa lý phong phú và ML có thể dẫn đến những hiểu biết sâu sắc thúc đẩy các quyết định và hành động. Ví dụ:
- Đưa ra quyết định canh tác dựa trên dữ liệu – Bằng cách hiểu rõ hơn về không gian của cây trồng, nông dân và các bên liên quan đến nông nghiệp khác có thể tối ưu hóa việc sử dụng các nguồn tài nguyên, từ nước, phân bón đến các hóa chất khác trong suốt mùa vụ. Điều này đặt nền tảng cho việc giảm chất thải, cải thiện các biện pháp canh tác bền vững bất cứ khi nào có thể và tăng năng suất đồng thời giảm thiểu tác động đến môi trường.
- Xác định các căng thẳng và xu hướng liên quan đến khí hậu – Khi biến đổi khí hậu tiếp tục ảnh hưởng đến mô hình nhiệt độ và lượng mưa toàn cầu, việc phân khúc cây trồng có thể được sử dụng để xác định các khu vực dễ bị tổn thương trước những căng thẳng liên quan đến khí hậu để xây dựng chiến lược thích ứng với khí hậu. Ví dụ: kho lưu trữ hình ảnh vệ tinh có thể được sử dụng để theo dõi những thay đổi ở vùng trồng trọt theo thời gian. Đây có thể là những thay đổi vật lý về quy mô và sự phân bố đất trồng trọt. Chúng cũng có thể là những thay đổi về độ ẩm của đất, nhiệt độ đất và sinh khối, bắt nguồn từ chỉ số quang phổ khác nhau của dữ liệu vệ tinh, để phân tích sức khỏe cây trồng sâu hơn.
- Đánh giá và giảm thiểu thiệt hại – Cuối cùng, phân đoạn cây trồng có thể được sử dụng để xác định nhanh chóng và chính xác các khu vực cây trồng bị thiệt hại trong trường hợp thiên tai, từ đó có thể giúp ưu tiên các nỗ lực cứu trợ. Ví dụ, sau một trận lũ lụt, hình ảnh vệ tinh có tần số cao có thể được sử dụng để xác định các khu vực cây trồng bị ngập nước hoặc bị phá hủy, cho phép các tổ chức cứu trợ hỗ trợ nông dân bị ảnh hưởng nhanh hơn.
Trong phân tích này, chúng tôi sử dụng mô hình K-láng giềng gần nhất (KNN) để tiến hành phân đoạn cây trồng và chúng tôi so sánh các kết quả này với hình ảnh thực tế trên mặt đất về một vùng nông nghiệp. Kết quả của chúng tôi cho thấy rằng việc phân loại từ mô hình KNN thể hiện chính xác hơn trạng thái của cánh đồng trồng trọt hiện tại vào năm 2017 so với dữ liệu phân loại thực tế trên mặt đất từ năm 2015. Những kết quả này là minh chứng cho sức mạnh của hình ảnh không gian địa lý có nhịp độ cao của Planet. Các cánh đồng nông nghiệp thay đổi thường xuyên, đôi khi nhiều lần trong một mùa và việc có sẵn hình ảnh vệ tinh tần số cao để quan sát và phân tích vùng đất này có thể mang lại giá trị to lớn cho sự hiểu biết của chúng ta về đất nông nghiệp và môi trường đang thay đổi nhanh chóng.
Sự hợp tác của Planet và AWS về ML không gian địa lý
Khả năng không gian địa lý của SageMaker trao quyền cho các nhà khoa học dữ liệu và kỹ sư ML xây dựng, đào tạo và triển khai các mô hình sử dụng dữ liệu không gian địa lý. Khả năng không gian địa lý của SageMaker cho phép bạn chuyển đổi hoặc làm phong phú các bộ dữ liệu không gian địa lý quy mô lớn một cách hiệu quả, tăng tốc xây dựng mô hình bằng các mô hình ML được đào tạo trước cũng như khám phá các dự đoán mô hình và dữ liệu không gian địa lý trên bản đồ tương tác bằng đồ họa tăng tốc 3D và các công cụ trực quan hóa tích hợp. Với khả năng không gian địa lý của SageMaker, bạn có thể xử lý các tập dữ liệu lớn về hình ảnh vệ tinh và dữ liệu không gian địa lý khác để tạo mô hình ML chính xác cho nhiều ứng dụng khác nhau, bao gồm cả phân đoạn cắt xén mà chúng ta sẽ thảo luận trong bài đăng này.
Phòng thí nghiệm hành tinh PBC là công ty chụp ảnh Trái đất hàng đầu sử dụng đội vệ tinh lớn của mình để chụp hình ảnh bề mặt Trái đất hàng ngày. Do đó, dữ liệu của hành tinh là nguồn tài nguyên quý giá cho ML không gian địa lý. Hình ảnh vệ tinh có độ phân giải cao có thể được sử dụng để xác định các đặc điểm cây trồng khác nhau và tình trạng của chúng theo thời gian, ở bất kỳ đâu trên Trái đất.
Sự hợp tác giữa Planet và SageMaker cho phép khách hàng dễ dàng truy cập và phân tích dữ liệu vệ tinh tần số cao của Planet bằng các công cụ ML mạnh mẽ của AWS. Các nhà khoa học dữ liệu có thể mang theo dữ liệu của riêng họ hoặc tìm và đăng ký dữ liệu của Planet một cách thuận tiện mà không cần chuyển đổi môi trường.
Cắt phân đoạn trong sổ ghi chép Amazon SageMaker Studio bằng hình ảnh không gian địa lý
Trong ví dụ về quy trình ML không gian địa lý này, chúng ta xem xét cách đưa dữ liệu của Planet cùng với nguồn dữ liệu thực tế cơ bản vào SageMaker cũng như cách đào tạo, suy luận và triển khai mô hình phân đoạn cây trồng bằng bộ phân loại KNN. Cuối cùng, chúng tôi đánh giá tính chính xác của kết quả và so sánh kết quả này với phân loại thực tế cơ bản của chúng tôi.
Bộ phân loại KNN được sử dụng đã được đào tạo về Sổ ghi chép Amazon SageMaker Studio có không gian địa lý image và cung cấp kernel notebook linh hoạt và có thể mở rộng để làm việc với dữ liệu không gian địa lý.
Sản phẩm Xưởng sản xuất Amazon SageMaker sổ ghi chép có hình ảnh không gian địa lý được cài đặt sẵn các thư viện không gian địa lý thường được sử dụng như GDAL, Fiona, GeoPandas, Shapely và Rasterio, cho phép trực quan hóa và xử lý dữ liệu không gian địa lý trực tiếp trong môi trường sổ ghi chép Python. Các thư viện ML phổ biến như OpenCV hoặc scikit-learn cũng được sử dụng để thực hiện phân đoạn cây trồng bằng cách sử dụng phân loại KNN và những thư viện này cũng được cài đặt trong kernel không gian địa lý.
Lựa chọn dữ liệu
Cánh đồng nông nghiệp mà chúng tôi phóng to nằm ở Quận Sacramento thường có nắng ở California.
Tại sao lại là Sacramento? Việc lựa chọn khu vực và thời gian cho loại vấn đề này chủ yếu được xác định bởi sự sẵn có của dữ liệu thực tế và dữ liệu đó về loại cây trồng và dữ liệu ranh giới không dễ có được. Các Bộ dữ liệu Khảo sát DWR sử dụng đất của Quận Sacramento năm 2015 là một tập dữ liệu có sẵn công khai bao gồm Quận Sacramento trong năm đó và cung cấp các ranh giới được điều chỉnh bằng tay.
Hình ảnh vệ tinh chính mà chúng tôi sử dụng là 4 băng tần của Planet Sản phẩm PSScene, chứa các dải Xanh lam, Xanh lục, Đỏ và Cận IR và được hiệu chỉnh bằng phép đo phóng xạ về độ sáng của cảm biến. Các hệ số để điều chỉnh độ phản xạ tại cảm biến được cung cấp trong siêu dữ liệu cảnh, giúp cải thiện hơn nữa tính nhất quán giữa các hình ảnh được chụp ở các thời điểm khác nhau.
Các vệ tinh Dove của Planet tạo ra hình ảnh này đã được phóng vào ngày 14 tháng 2017 năm XNUMX (tin tức bác bỏ), do đó họ đã không chụp ảnh Quận Sacramento vào năm 2015. Tuy nhiên, họ đã chụp ảnh hàng ngày về khu vực này kể từ khi ra mắt. Trong ví dụ này, chúng tôi giải quyết khoảng cách 2 năm không hoàn hảo giữa dữ liệu thực tế trên mặt đất và hình ảnh vệ tinh. Tuy nhiên, hình ảnh có độ phân giải thấp hơn của Landsat 8 có thể được sử dụng làm cầu nối giữa năm 2015 và 2017.
Truy cập dữ liệu Hành tinh
Để giúp người dùng có được dữ liệu chính xác và hữu ích nhanh hơn, Planet cũng đã phát triển Bộ công cụ phát triển phần mềm (SDK) Planet cho Python. Đây là một công cụ mạnh mẽ dành cho các nhà khoa học và nhà phát triển dữ liệu muốn làm việc với hình ảnh vệ tinh và dữ liệu không gian địa lý khác. Với SDK này, bạn có thể tìm kiếm và truy cập bộ sưu tập khổng lồ các hình ảnh vệ tinh có độ phân giải cao của Planet cũng như dữ liệu từ các nguồn khác như OpenStreetMap. SDK cung cấp ứng dụng khách Python cho các API của Planet, cũng như giải pháp giao diện dòng lệnh (CLI) không có mã, giúp dễ dàng kết hợp hình ảnh vệ tinh và dữ liệu không gian địa lý vào quy trình làm việc của Python. Ví dụ này sử dụng ứng dụng khách Python để xác định và tải xuống hình ảnh cần thiết cho việc phân tích.
Bạn có thể cài đặt ứng dụng khách Planet Python trong sổ ghi chép SageMaker Studio với hình ảnh không gian địa lý bằng một lệnh đơn giản:
Bạn có thể sử dụng ứng dụng khách để truy vấn hình ảnh vệ tinh có liên quan và truy xuất danh sách các kết quả có sẵn dựa trên khu vực quan tâm, phạm vi thời gian và các tiêu chí tìm kiếm khác. Trong ví dụ sau, chúng ta bắt đầu bằng việc hỏi có bao nhiêu Cảnh hành tinh (Hình ảnh hàng ngày của Planet) bao gồm cùng khu vực quan tâm (AOI) mà chúng tôi xác định trước đó thông qua dữ liệu mặt đất ở Sacramento, trong khoảng thời gian nhất định từ ngày 1 tháng 1 đến ngày 2017 tháng 10 năm XNUMX; cũng như phạm vi che phủ đám mây tối đa mong muốn nhất định là XNUMX%:
Kết quả trả về cho thấy số lượng cảnh phù hợp trùng lặp với lĩnh vực chúng tôi quan tâm. Nó cũng chứa siêu dữ liệu của từng cảnh, ID hình ảnh của cảnh đó và tham chiếu hình ảnh xem trước.
Sau khi một cảnh cụ thể đã được chọn, với thông số kỹ thuật về ID cảnh, loại vật phẩm và gói sản phẩm (tài liệu tham khảo), bạn có thể sử dụng mã sau để tải xuống hình ảnh và siêu dữ liệu của nó:
Mã này tải hình ảnh vệ tinh tương ứng về Hệ thống tệp đàn hồi Amazon (Amazon EFS) cho SageMaker Studio.
Đào tạo người mẫu
Sau khi dữ liệu được tải xuống bằng ứng dụng khách Planet Python, mô hình phân đoạn có thể được đào tạo. Trong ví dụ này, sự kết hợp giữa kỹ thuật phân loại KNN và phân đoạn hình ảnh được sử dụng để xác định vùng cắt và tạo các đặc điểm Geojson được tham chiếu địa lý.
Dữ liệu Planet được tải và xử lý trước bằng cách sử dụng các công cụ và thư viện không gian địa lý tích hợp trong SageMaker để chuẩn bị cho việc đào tạo trình phân loại KNN. Dữ liệu thực tế cơ bản dành cho đào tạo là tập dữ liệu Khảo sát DWR sử dụng đất của Quận Sacramento từ năm 2015 và dữ liệu Planet từ năm 2017 được sử dụng để thử nghiệm mô hình.
Chuyển đổi các đặc điểm thực tế thành đường viền
Để huấn luyện bộ phân loại KNN, lớp của mỗi pixel là crop
or non-crop
cần phải được xác định. Lớp được xác định bởi liệu pixel có được liên kết với tính năng cắt xén trong dữ liệu thực tế hay không. Để đưa ra quyết định này, dữ liệu thực tế cơ bản trước tiên được chuyển đổi thành các đường viền OpenCV, sau đó được sử dụng để phân tách crop
từ non-crop
điểm ảnh. Các giá trị pixel và phân loại của chúng sau đó được sử dụng để huấn luyện bộ phân loại KNN.
Để chuyển đổi các đặc điểm thực tế thành đường viền, trước tiên các đặc điểm này phải được chiếu sang hệ quy chiếu tọa độ của hình ảnh. Sau đó, các đặc điểm được chuyển thành không gian ảnh và cuối cùng được chuyển thành đường viền. Để đảm bảo độ chính xác của các đường viền, chúng được hiển thị phủ lên trên hình ảnh đầu vào, như trong ví dụ sau.
Để huấn luyện bộ phân loại KNN, các pixel cắt và không cắt được phân tách bằng cách sử dụng các đường viền tính năng cắt làm mặt nạ.
Đầu vào của bộ phân loại KNN bao gồm hai tập dữ liệu: X, mảng 2d cung cấp các tính năng được phân loại; và y, mảng 1d cung cấp các lớp (ví dụ). Ở đây, một dải phân loại duy nhất được tạo từ các bộ dữ liệu không cắt xén và cắt xén, trong đó các giá trị của dải biểu thị lớp pixel. Sau đó, dải và các giá trị dải pixel hình ảnh cơ bản được chuyển đổi thành đầu vào X và y cho chức năng phân loại phù hợp.
Huấn luyện bộ phân loại trên các pixel cắt và không cắt
Việc phân loại KNN được thực hiện bằng scikit-learn KNeighborsClassifier. Số lượng lân cận, một tham số ảnh hưởng lớn đến hiệu suất của công cụ ước tính, được điều chỉnh bằng cách sử dụng xác thực chéo trong xác thực chéo KNN. Sau đó, bộ phân loại được huấn luyện bằng cách sử dụng các bộ dữ liệu đã chuẩn bị sẵn và số lượng tham số lân cận đã được điều chỉnh. Xem đoạn mã sau:
Để đánh giá hiệu suất của bộ phân loại trên dữ liệu đầu vào của nó, lớp pixel được dự đoán bằng cách sử dụng các giá trị dải pixel. Hiệu suất của trình phân loại chủ yếu dựa trên độ chính xác của dữ liệu huấn luyện và sự phân tách rõ ràng giữa các lớp pixel dựa trên dữ liệu đầu vào (giá trị dải pixel). Các tham số của bộ phân loại, chẳng hạn như số lượng lân cận và hàm trọng số khoảng cách, có thể được điều chỉnh để bù cho bất kỳ sự thiếu chính xác nào sau này. Xem đoạn mã sau:
Đánh giá dự đoán mô hình
Trình phân loại KNN đã được đào tạo được sử dụng để dự đoán các vùng cắt trong dữ liệu thử nghiệm. Dữ liệu thử nghiệm này bao gồm các vùng không được tiếp xúc với mô hình trong quá trình đào tạo. Nói cách khác, mô hình không có kiến thức về lĩnh vực này trước khi phân tích và do đó dữ liệu này có thể được sử dụng để đánh giá khách quan hiệu suất của mô hình. Chúng tôi bắt đầu bằng cách kiểm tra trực quan một số khu vực, bắt đầu với khu vực tương đối ồn ào hơn.
Việc kiểm tra trực quan cho thấy các lớp được dự đoán hầu hết đều phù hợp với các lớp thực tế cơ bản. Có một số vùng sai lệch mà chúng tôi sẽ kiểm tra thêm.
Sau khi điều tra sâu hơn, chúng tôi phát hiện ra rằng một số nhiễu trong khu vực này là do dữ liệu thực tế cơ bản thiếu chi tiết có trong hình ảnh đã phân loại (trên cùng bên phải so với trên cùng bên trái và dưới cùng bên trái). Một phát hiện đặc biệt thú vị là bộ phân loại xác định các cây dọc theo sông là non-crop
, trong khi dữ liệu thực tế cơ bản xác định nhầm chúng là crop
. Sự khác biệt giữa hai phân khúc này có thể là do cây che bóng cho khu vực trồng trọt.
Sau đó, chúng tôi kiểm tra một khu vực khác được phân loại khác nhau giữa hai phương pháp. Những vùng được đánh dấu này trước đây được đánh dấu là vùng không trồng trọt trong dữ liệu thực tế mặt đất vào năm 2015 (trên cùng bên phải) nhưng đã thay đổi và hiển thị rõ ràng dưới dạng đất trồng trọt vào năm 2017 thông qua Cảnh quan hành tinh (trên cùng bên trái và dưới cùng bên trái). Chúng cũng được phân loại phần lớn là đất trồng trọt thông qua bộ phân loại (phía dưới bên phải).
Một lần nữa, chúng ta thấy bộ phân loại KNN đưa ra kết quả chi tiết hơn lớp sự thật cơ bản và nó cũng nắm bắt thành công sự thay đổi xảy ra trên đất trồng trọt. Ví dụ này cũng nói lên giá trị của dữ liệu vệ tinh được làm mới hàng ngày vì thế giới thường thay đổi nhanh hơn nhiều so với báo cáo hàng năm và phương pháp kết hợp với ML như thế này có thể giúp chúng tôi nhận ra những thay đổi khi chúng xảy ra. Khả năng theo dõi và phát hiện những thay đổi đó thông qua dữ liệu vệ tinh, đặc biệt là trong các lĩnh vực nông nghiệp đang phát triển, cung cấp những hiểu biết hữu ích để nông dân tối ưu hóa công việc của họ và bất kỳ bên liên quan nông nghiệp nào trong chuỗi giá trị để có được nhịp độ tốt hơn trong mùa vụ.
Đánh giá mô hình
Việc so sánh trực quan hình ảnh của các lớp được dự đoán với các lớp thực tế có thể mang tính chủ quan và không thể khái quát hóa để đánh giá tính chính xác của kết quả phân loại. Để có được đánh giá định lượng, chúng tôi lấy số liệu phân loại bằng cách sử dụng scikit-learn classification_report
chức năng:
Phân loại pixel được sử dụng để tạo mặt nạ phân đoạn của các vùng cắt, làm cho cả độ chính xác và gợi lại các số liệu quan trọng, đồng thời điểm F1 là thước đo tổng thể tốt để dự đoán độ chính xác. Kết quả của chúng tôi cung cấp cho chúng tôi số liệu cho cả vùng trồng trọt và không trồng trọt trong tập dữ liệu huấn luyện và thử nghiệm. Tuy nhiên, để đơn giản hóa mọi thứ, chúng ta hãy xem xét kỹ hơn các số liệu này trong bối cảnh các vùng cắt trong tập dữ liệu thử nghiệm.
Độ chính xác là thước đo mức độ chính xác của các dự đoán tích cực trong mô hình của chúng tôi. Trong trường hợp này, độ chính xác 0.94 đối với các vùng trồng trọt cho thấy mô hình của chúng tôi rất thành công trong việc xác định chính xác các khu vực thực sự là vùng trồng trọt, trong đó giảm thiểu các kết quả dương tính giả (các vùng không trồng trọt thực tế được xác định không chính xác là vùng trồng trọt). Mặt khác, việc nhớ lại đo lường mức độ hoàn chỉnh của các dự đoán tích cực. Nói cách khác, việc thu hồi đo lường tỷ lệ các kết quả tích cực thực tế được xác định chính xác. Trong trường hợp của chúng tôi, giá trị thu hồi là 0.73 đối với các vùng cắt có nghĩa là 73% tổng số pixel vùng cắt thực sự được xác định chính xác, giảm thiểu số lượng âm tính giả.
Lý tưởng nhất là các giá trị cao về cả độ chính xác và độ thu hồi được ưu tiên, mặc dù điều này có thể phụ thuộc phần lớn vào việc áp dụng nghiên cứu trường hợp. Ví dụ: nếu chúng tôi đang kiểm tra những kết quả này đối với những người nông dân đang tìm cách xác định các vùng trồng trọt cho nông nghiệp, thì chúng tôi muốn ưu tiên thu hồi cao hơn độ chính xác để giảm thiểu số lượng kết quả âm tính giả (các khu vực được xác định là vùng không trồng trọt được thực chất là vùng trồng trọt) nhằm tận dụng tối đa diện tích đất. Điểm F1 đóng vai trò là thước đo độ chính xác tổng thể kết hợp cả độ chính xác và khả năng thu hồi, đồng thời đo lường sự cân bằng giữa hai thước đo. Điểm F1 cao, chẳng hạn như điểm F0.82 của chúng tôi đối với các vùng trồng trọt (1), cho thấy sự cân bằng tốt giữa cả độ chính xác và thu hồi cũng như độ chính xác phân loại tổng thể cao. Mặc dù điểm F1 giảm giữa tập dữ liệu huấn luyện và tập dữ liệu kiểm tra, nhưng điều này được mong đợi vì bộ phân loại đã được huấn luyện trên tập dữ liệu huấn luyện. Điểm F0.77 trung bình có trọng số tổng thể là XNUMX là đầy hứa hẹn và đủ để thử các sơ đồ phân đoạn trên dữ liệu đã được phân loại.
Tạo mặt nạ phân đoạn từ bộ phân loại
Việc tạo mặt nạ phân đoạn bằng cách sử dụng các dự đoán từ bộ phân loại KNN trên tập dữ liệu thử nghiệm bao gồm việc làm sạch đầu ra được dự đoán để tránh các phân đoạn nhỏ do nhiễu hình ảnh gây ra. Để loại bỏ tiếng ồn lốm đốm, chúng tôi sử dụng OpenCV bộ lọc mờ trung bình. Bộ lọc này bảo tồn các đường phân định giữa các cây trồng tốt hơn so với hoạt động mở hình thái.
Để áp dụng phân đoạn nhị phân cho đầu ra đã được khử nhiễu, trước tiên chúng ta cần chuyển đổi dữ liệu raster đã phân loại thành các tính năng vectơ bằng OpenCV tìm đường viền chức năng.
Cuối cùng, các vùng trồng trọt được phân đoạn thực tế có thể được tính toán bằng cách sử dụng các phác thảo cây trồng được phân đoạn.
Các vùng cây trồng được phân đoạn được tạo từ bộ phân loại KNN cho phép xác định chính xác các vùng cây trồng trong tập dữ liệu thử nghiệm. Các vùng được phân đoạn này có thể được sử dụng cho nhiều mục đích khác nhau, chẳng hạn như xác định ranh giới cánh đồng, giám sát cây trồng, ước tính năng suất và phân bổ nguồn lực. Điểm F1 đạt được là 0.77 là tốt và cung cấp bằng chứng cho thấy bộ phân loại KNN là một công cụ hiệu quả để phân đoạn cây trồng trong ảnh viễn thám. Những kết quả này có thể được sử dụng để cải thiện và cải tiến hơn nữa các kỹ thuật phân đoạn cây trồng, có khả năng làm tăng độ chính xác và hiệu quả trong phân tích cây trồng.
Kết luận
Bài đăng này đã trình bày cách bạn có thể sử dụng sự kết hợp của Những hành tinh nhịp độ cao, hình ảnh vệ tinh có độ phân giải cao và Khả năng không gian địa lý của SageMaker để thực hiện phân tích phân khúc cây trồng, mở ra những hiểu biết có giá trị có thể cải thiện hiệu quả nông nghiệp, tính bền vững môi trường và an ninh lương thực. Việc xác định chính xác các vùng trồng trọt cho phép phân tích sâu hơn về tăng trưởng và năng suất cây trồng, giám sát những thay đổi trong sử dụng đất và phát hiện các rủi ro an ninh lương thực tiềm ẩn.
Hơn nữa, sự kết hợp giữa dữ liệu Planet và SageMaker mang đến nhiều trường hợp sử dụng khác ngoài phân khúc cây trồng. Những hiểu biết sâu sắc có thể hỗ trợ các quyết định dựa trên dữ liệu về quản lý cây trồng, phân bổ nguồn lực và hoạch định chính sách chỉ trong nông nghiệp. Với các mô hình ML và dữ liệu khác nhau, việc cung cấp kết hợp cũng có thể mở rộng sang các ngành và trường hợp sử dụng khác theo hướng chuyển đổi kỹ thuật số, chuyển đổi bền vững và bảo mật.
Để bắt đầu sử dụng các khả năng không gian địa lý của SageMaker, hãy xem Bắt đầu với khả năng không gian địa lý của Amazon SageMaker.
Để tìm hiểu thêm về thông số hình ảnh của Planet và tài liệu tham khảo dành cho nhà phát triển, hãy truy cập Trung tâm phát triển hành tinh. Để biết tài liệu về SDK của Planet dành cho Python, hãy xem SDK hành tinh cho Python. Để biết thêm thông tin về Planet, bao gồm các sản phẩm dữ liệu hiện có và các sản phẩm sắp ra mắt, hãy truy cập https://www.planet.com/.
Tuyên bố hướng tới tương lai của Planet Labs PBC
Ngoại trừ thông tin lịch sử có trong tài liệu này, các vấn đề được nêu trong bài đăng trên blog này là những tuyên bố hướng tới tương lai theo nghĩa của các điều khoản “bến đỗ an toàn” của Đạo luật cải cách tố tụng chứng khoán tư nhân năm 1995, bao gồm nhưng không giới hạn ở Planet Labs Khả năng của PBC trong việc nắm bắt cơ hội thị trường và nhận ra bất kỳ lợi ích tiềm năng nào từ việc cải tiến sản phẩm hiện tại và tương lai, sản phẩm mới hoặc quan hệ đối tác chiến lược và hợp tác với khách hàng. Các tuyên bố hướng tới tương lai dựa trên niềm tin của ban quản lý Planet Labs PBC, cũng như các giả định được đưa ra và thông tin hiện có sẵn cho họ. Bởi vì những tuyên bố như vậy dựa trên những kỳ vọng về các sự kiện và kết quả trong tương lai chứ không phải là những tuyên bố thực tế nên kết quả thực tế có thể khác biệt đáng kể so với kết quả dự kiến. Các yếu tố có thể khiến kết quả thực tế khác biệt về mặt vật chất so với kỳ vọng hiện tại bao gồm, nhưng không giới hạn ở các yếu tố rủi ro và các tiết lộ khác về Planet Labs PBC và hoạt động kinh doanh của nó được đưa vào các báo cáo định kỳ, tuyên bố ủy quyền và các tài liệu tiết lộ khác của Planet Labs PBC được nộp theo thời gian. theo thời gian với Ủy ban Chứng khoán và Giao dịch (SEC) có sẵn trực tuyến tại www.sec.govvà trên trang web của Planet Labs PBC tại www.planet.com. Tất cả các tuyên bố hướng tới tương lai chỉ phản ánh niềm tin và giả định của Planet Labs PBC kể từ ngày những tuyên bố đó được đưa ra. Planet Labs PBC không có nghĩa vụ cập nhật các tuyên bố hướng tới tương lai để phản ánh các sự kiện hoặc hoàn cảnh trong tương lai.
Giới thiệu về tác giả
Lydia Lihui Zhang là Chuyên gia phát triển kinh doanh tại Planet Labs PBC, nơi cô giúp kết nối không gian để cải thiện trái đất trên nhiều lĩnh vực khác nhau và vô số trường hợp sử dụng. Trước đây, cô là nhà khoa học dữ liệu tại McKinsey ACRE, một giải pháp tập trung vào nông nghiệp. Cô có bằng Thạc sĩ Khoa học của Chương trình Chính sách Công nghệ MIT, tập trung vào chính sách không gian. Dữ liệu không gian địa lý và tác động rộng hơn của nó đối với hoạt động kinh doanh và tính bền vững là trọng tâm sự nghiệp của cô.
Mansi Shah là một kỹ sư phần mềm, nhà khoa học dữ liệu và nhạc sĩ có công việc khám phá những không gian nơi sự chặt chẽ về nghệ thuật và sự tò mò về kỹ thuật giao thoa. Cô tin rằng dữ liệu (giống như nghệ thuật!) mô phỏng cuộc sống và quan tâm đến những câu chuyện mang tính nhân văn sâu sắc đằng sau những con số và ghi chú.
Hùng Châu là Nhà khoa học ứng dụng cấp cao tại AWS. Ông lãnh đạo nhóm khoa học về khả năng không gian địa lý của Amazon SageMaker. Lĩnh vực nghiên cứu hiện tại của ông bao gồm thị giác máy tính và đào tạo mô hình hiệu quả. Khi rảnh rỗi, anh thích chạy bộ, chơi bóng rổ và dành thời gian cho gia đình.
Janosch Woschitz là Kiến trúc sư giải pháp cấp cao tại AWS, chuyên về AI/ML không gian địa lý. Với hơn 15 năm kinh nghiệm, ông hỗ trợ khách hàng trên toàn cầu trong việc tận dụng AI và ML để tạo ra các giải pháp đổi mới tận dụng dữ liệu không gian địa lý. Chuyên môn của ông bao gồm học máy, kỹ thuật dữ liệu và hệ thống phân tán có thể mở rộng, được tăng cường bởi nền tảng vững chắc về công nghệ phần mềm và kiến thức chuyên môn về ngành trong các lĩnh vực phức tạp như lái xe tự động.
Shital Dhakal là Giám đốc chương trình cấp cao của nhóm ML không gian địa lý SageMaker có trụ sở tại Khu vực Vịnh San Francisco. Ông có kiến thức nền tảng về viễn thám và Hệ thống thông tin địa lý (GIS). Anh ấy đam mê tìm hiểu những điểm khó khăn của khách hàng và xây dựng các sản phẩm không gian địa lý để giải quyết chúng. Trong thời gian rảnh rỗi, anh thích đi bộ đường dài, du lịch và chơi quần vợt.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 1
- 10
- 100
- 14
- 15 năm
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- có khả năng
- Có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- chính xác
- chính xác
- chính xác
- đạt được
- mua lại
- mẫu Anh
- ngang qua
- Hành động
- hành động
- thực tế
- thực sự
- thích ứng
- Điều chỉnh
- ảnh hưởng đến
- ảnh hưởng đến
- Sau
- Nông nghiệp
- nông nghiệp
- AI
- AI / ML
- Tất cả
- phân bổ
- cho phép
- Cho phép
- cô đơn
- dọc theo
- Ngoài ra
- Mặc dù
- đàn bà gan dạ
- Amazon SageMaker
- Không gian địa lý Amazon SageMaker
- Xưởng sản xuất Amazon SageMaker
- Amazon Web Services
- an
- phân tích
- phân tích
- và
- hàng năm
- Một
- bất kì
- bất cứ nơi nào
- API
- Các Ứng Dụng
- các ứng dụng
- áp dụng
- Đăng Nhập
- tài liệu lưu trữ
- LÀ
- KHU VỰC
- khu vực
- Mảng
- nghệ thuật
- AS
- yêu cầu
- đánh giá
- Đánh giá
- thẩm định, lượng định, đánh giá
- tài sản
- hỗ trợ
- liên kết
- giả định
- At
- tăng cường
- tự trị
- sẵn có
- có sẵn
- Trung bình cộng
- tránh
- chờ đợi
- AWS
- trở lại
- lý lịch
- Cân đối
- BAND
- ban nhạc của
- thanh
- dựa
- cơ sở
- Bóng rổ
- vịnh
- BE
- bởi vì
- được
- Bắt đầu
- sau
- được
- niềm tin
- tin
- Lợi ích
- Hơn
- Tốt hơn
- giữa
- Ngoài
- Blog
- Màu xanh da trời
- blur
- cả hai
- đáy
- ranh giới
- ranh giới
- CẦU
- mang lại
- rộng hơn
- xây dựng
- Xây dựng
- được xây dựng trong
- bó
- kinh doanh
- phát triển kinh doanh
- nhưng
- by
- CA
- california
- CAN
- khả năng
- tận
- nắm bắt
- chụp
- Tuyển Dụng
- trường hợp
- trường hợp nghiên cứu
- trường hợp
- Nguyên nhân
- gây ra
- nhất định
- chuỗi
- thay đổi
- thay đổi
- Những thay đổi
- đặc điểm
- hoàn cảnh
- tốt nghiệp lớp XNUMX
- các lớp học
- phân loại
- phân loại
- Làm sạch
- trong sáng
- Rõ ràng
- CFL
- khách hàng
- Khí hậu
- Khí hậu thay đổi
- gần gũi hơn
- đám mây
- mã
- hợp tác
- bộ sưu tập
- Va chạm
- COM
- kết hợp
- kết hợp
- kết hợp
- Đến
- đến
- hoa hồng
- Chung
- thông thường
- công ty
- so sánh
- so sánh
- so
- sự so sánh
- phức tạp
- máy tính
- Tầm nhìn máy tính
- Tiến hành
- Kết nối
- thích hợp
- bao gồm
- chứa
- chứa
- bối cảnh
- liên tiếp
- chuyển đổi
- chuyển đổi
- phối hợp
- Trung tâm
- sửa chữa
- Tương ứng
- có thể
- hạt
- che
- bảo hiểm
- bao gồm
- tạo
- tạo ra
- Tạo
- tạo
- tiêu chuẩn
- cây trồng
- cây trồng
- sự tò mò
- Current
- Hiện nay
- khách hàng
- khách hàng
- tiền thưởng
- dữ liệu
- nhà khoa học dữ liệu
- hướng dữ liệu
- bộ dữ liệu
- Ngày
- quyết định
- sâu sắc hơn
- định nghĩa
- xác định
- chứng minh
- phụ thuộc
- triển khai
- Nguồn gốc
- mong muốn
- bị phá hủy
- chi tiết
- Phát hiện
- xác định
- xác định
- phát triển
- Nhà phát triển
- phát triển
- Phát triển
- sai lệch
- khác nhau
- sự khác biệt
- khác nhau
- kỹ thuật số
- chuyển đổi kỹ thuật số
- trực tiếp
- thiên tai
- công bố thông tin
- khám phá
- phát hiện
- thảo luận
- khoảng cách
- phân phối
- hệ thống phân phối
- phân phối
- tài liệu hướng dẫn
- lĩnh vực
- chim bồ câu
- tải về
- Tải xuống
- lái xe
- lái xe
- Giọt
- hai
- suốt trong
- mỗi
- Sớm hơn
- trái đất
- dễ dàng
- dễ dàng
- Hiệu quả
- hiệu quả
- hiệu quả
- hiệu quả
- những nỗ lực
- hay
- trao quyền
- cho phép
- cho phép
- ky sư
- Kỹ Sư
- Kỹ sư
- cải tiến
- đủ
- làm giàu
- đảm bảo
- Môi trường
- môi trường
- Tính bền vững về môi trường
- môi trường
- đặc biệt
- đánh giá
- Sự kiện
- sự kiện
- bằng chứng
- phát triển
- Kiểm tra
- ví dụ
- Sàn giao dịch
- hiện tại
- Mở rộng
- mong đợi
- dự kiến
- kinh nghiệm
- chuyên môn
- khám phá
- khám phá
- tiếp xúc
- f1
- thực tế
- các yếu tố
- sai
- gia đình
- nông dân
- nông nghiệp
- nhanh hơn
- Đặc tính
- Tính năng
- Tháng Hai
- phân bón
- vài
- lĩnh vực
- Lĩnh vực
- Tập tin
- nộp
- lọc
- Cuối cùng
- Tìm kiếm
- tìm kiếm
- fiona
- Tên
- phù hợp với
- VÒI
- linh hoạt
- lũ lụt
- Tập trung
- tập trung
- tiếp theo
- thực phẩm
- Trong
- Ra
- hướng tới tương lai
- Nền tảng
- Francisco
- từ
- chức năng
- xa hơn
- tương lai
- đạt được
- khoảng cách
- Địa lý
- ML không gian địa lý
- được
- Cho
- được
- Toàn cầu
- Toàn cầu
- tốt
- đồ họa
- rất nhiều
- màu xanh lá
- Mặt đất
- Phát triển
- Tăng trưởng
- Khách
- Bài đăng của Khách
- tay
- xảy ra
- Xảy ra
- Có
- có
- he
- cho sức khoẻ
- giúp đỡ
- hữu ích
- giúp
- cô
- tại đây
- đây
- Cao
- Tân sô cao
- độ phân giải cao
- cao hơn
- Nhấn mạnh
- của mình
- lịch sử
- giữ
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- Nhân loại
- i
- ID
- Xác định
- xác định
- xác định
- xác định
- xác định
- if
- hình ảnh
- hình ảnh
- bao la
- Va chạm
- quan trọng
- nâng cao
- cải thiện
- cải thiện
- in
- Mặt khác
- bao gồm
- bao gồm
- bao gồm
- Bao gồm
- kết hợp
- không chính xác
- tăng
- tăng
- thực sự
- chỉ số
- chỉ
- chỉ
- các ngành công nghiệp
- ngành công nghiệp
- thông tin
- sáng tạo
- đầu vào
- đầu vào
- những hiểu biết
- lấy cảm hứng từ
- cài đặt, dựng lên
- cài đặt
- tương tác
- quan tâm
- quan tâm
- thú vị
- Giao thức
- trong
- điều tra
- IT
- ITS
- Jennifer
- jpg
- tháng sáu
- Giữ
- Bộ công cụ (SDK)
- kiến thức
- kyle
- Phòng thí nghiệm
- Quốc gia
- lớn
- quy mô lớn
- phần lớn
- Trễ, muộn
- phóng
- phát động
- dẫn
- hàng đầu
- Dẫn
- LEARN
- học tập
- trái
- tận dụng
- thư viện
- Cuộc sống
- Lượt thích
- Hạn chế
- Dòng
- Danh sách
- Tranh tụng
- nằm
- Xem
- tìm kiếm
- máy
- học máy
- Macro
- thực hiện
- phần lớn
- làm cho
- Làm
- quản lý
- quản lý
- giám đốc
- nhiều
- bản đồ
- đánh dấu
- thị trường
- mặt nạ
- chủ
- phù hợp
- vật chất
- nguyên vật liệu
- Vấn đề
- tối đa
- Có thể..
- McKinsey
- có nghĩa là
- có nghĩa
- đo
- các biện pháp
- đo lường
- Siêu dữ liệu
- phương pháp
- phương pháp
- số liệu
- Metrics
- giảm thiểu
- MIT
- giảm nhẹ
- ML
- kiểu mẫu
- mô hình
- Màn Hình
- giám sát
- chi tiết
- hầu hết
- chủ yếu
- nhiều
- nhiều
- Nhạc sĩ
- phải
- vô số
- Tự nhiên
- Cần
- cần thiết
- nhu cầu
- âm
- người hàng xóm
- Mới
- sản phẩm mới
- Không
- Tiếng ồn
- máy tính xách tay
- Chú ý
- con số
- số
- nhiều
- khách quan
- nghĩa vụ
- tuân theo
- được
- Tháng Mười
- of
- cung cấp
- Cung cấp
- thường
- on
- Trực tuyến
- có thể
- mở
- OpenCV
- hoạt động
- Cơ hội
- Tối ưu hóa
- or
- gọi món
- đơn đặt hàng
- tổ chức
- ban đầu
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- mang
- đề cương
- đầu ra
- kết thúc
- tổng thể
- riêng
- Đau
- tham số
- thông số
- riêng
- đặc biệt
- Công ty
- quan hệ đối tác
- đam mê
- mô hình
- Thực hiện
- hiệu suất
- thực hiện
- định kỳ
- vật lý
- chọn
- điểm ảnh
- hành tinh
- lập kế hoạch
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- điểm
- điều luật
- tích cực
- có thể
- Bài đăng
- tiềm năng
- có khả năng
- quyền lực
- mạnh mẽ
- thực hành
- cần
- Độ chính xác
- dự đoán
- dự đoán
- dự đoán
- Dự đoán
- ưa thích
- Chuẩn bị
- chuẩn bị
- trình bày
- quà
- Xem trước
- trước đây
- chủ yếu
- chính
- Trước khi
- Ưu tiên
- riêng
- Vấn đề
- quá trình
- Xử lý
- xử lý
- Sản xuất
- Sản phẩm
- năng suất
- Sản phẩm
- sâu sắc
- chương trình
- dự
- hứa hẹn
- tỷ lệ
- cho
- cung cấp
- cung cấp
- Proxy
- công khai
- xung
- mục đích
- Python
- định lượng
- Nhanh chóng
- Mau
- phạm vi
- nhận ra
- đỏ
- giảm
- lọc
- phản ánh
- cải cách
- khu
- vùng
- Phát hành
- có liên quan
- cứu trợ
- xa
- tẩy
- Báo cáo
- Báo cáo
- đại diện
- yêu cầu
- nghiên cứu
- tài nguyên
- Thông tin
- kết quả
- Kết quả
- trở lại
- tiết lộ
- Tiết lộ
- Giàu
- ngay
- Nguy cơ
- Các yếu tố rủi ro
- rủi ro
- Sông
- đường
- chạy
- chạy
- Sacramento
- nhà làm hiền triết
- tương tự
- San
- San Francisco
- vệ tinh
- vệ tinh
- khả năng mở rộng
- bối cảnh
- cảnh
- đề án
- Khoa học
- Nhà khoa học
- các nhà khoa học
- học hỏi
- Điểm số
- sdk
- Tìm kiếm
- Mùa
- SEC
- Ngành
- Chứng khoán
- Ủy ban chứng khoán
- an ninh
- Rủi ro bảo mật
- xem
- phân khúc
- phân đoạn
- chọn
- lựa chọn
- cao cấp
- riêng biệt
- phục vụ
- DỊCH VỤ
- định
- bộ
- giải quyết
- một số
- chị ấy
- hiển thị
- thể hiện
- tương tự
- Đơn giản
- kể từ khi
- duy nhất
- Kích thước máy
- nhỏ
- Phần mềm
- phát triển phần mềm
- bộ phát triển phần mềm
- Kỹ sư phần mềm
- kỹ thuật phần mềm
- đất
- giải pháp
- Giải pháp
- động SOLVE
- một số
- nguồn
- nguồn
- Không gian
- không gian
- nhịp
- không gian
- Nói
- chuyên gia
- chuyên
- đặc điểm kỹ thuật
- thông số kỹ thuật
- Quang phổ
- Chi
- các bên liên quan
- các bên liên quan
- Bắt đầu
- bắt đầu
- Tiểu bang
- báo cáo
- Trạng thái
- Bước
- Những câu chuyện
- Chiến lược
- Quan hệ đối tác chiến lược
- chiến lược
- căng thẳng
- mạnh mẽ
- phòng thu
- Học tập
- đăng ký
- thành công
- Thành công
- như vậy
- hỗ trợ
- Hỗ trợ
- Bề mặt
- Khảo sát
- Tính bền vững
- bền vững
- hệ thống
- hệ thống
- Hãy
- Lấy
- dùng
- nhóm
- Kỹ thuật
- kỹ thuật
- Công nghệ
- thử nghiệm
- di chúc
- Kiểm tra
- hơn
- việc này
- Sản phẩm
- Khu vực
- Nhà nước
- thế giới
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- Kia là
- họ
- điều
- điều này
- những
- Thông qua
- thời gian
- thời gian
- đến
- công cụ
- công cụ
- hàng đầu
- đối với
- theo dõi
- Train
- đào tạo
- Hội thảo
- Chuyển đổi
- Chuyển đổi
- chuyển đổi
- Đi du lịch
- Cây
- Xu hướng
- đúng
- Sự thật
- thử
- hai
- kiểu
- cơ bản
- sự hiểu biết
- cam kết
- mở khóa
- cho đến khi
- sắp tới
- Cập nhật
- us
- sử dụng
- đã sử dụng
- Người sử dụng
- sử dụng
- sử dụng
- thường
- tận dụng
- Quý báu
- giá trị
- Các giá trị
- khác nhau
- Lớn
- rất
- thông qua
- tầm nhìn
- Truy cập
- hình dung
- trực quan
- khối lượng
- Dễ bị tổn thương
- chờ đợi
- muốn
- là
- Chất thải
- Nước
- we
- web
- các dịch vụ web
- Website
- TỐT
- là
- trong khi
- liệu
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- có
- rộng
- Phạm vi rộng
- với
- ở trong
- không có
- từ
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- thế giới
- sẽ
- viết
- X
- năm
- năm
- Năng suất
- Bạn
- zephyrnet
- thu phóng