Trong cuốn sách của mình Sách tại sao, Judea Pearl ủng hộ việc dạy các nguyên tắc nhân quả cho máy móc nhằm nâng cao trí thông minh của chúng. Những thành tựu của học sâu về cơ bản chỉ là một kiểu điều chỉnh đường cong, trong khi quan hệ nhân quả có thể được sử dụng để phát hiện ra sự tương tác giữa các hệ thống trên thế giới dưới những ràng buộc khác nhau mà không cần trực tiếp kiểm tra các giả thuyết. Điều này có thể cung cấp câu trả lời dẫn chúng ta đến AGI (trí thông minh tổng quát nhân tạo).
Giải pháp này đề xuất một khung suy luận nhân quả sử dụng mạng Bayes để biểu diễn các quan hệ nhân quả và đưa ra kết luận nhân quả dựa trên hình ảnh vệ tinh quan sát được và dữ liệu thử nghiệm thực nghiệm ở dạng điều kiện thời tiết và đất mô phỏng. Các trường hợp nghiên cứu là mối quan hệ nhân quả giữa việc bón phân đạm và năng suất ngô.
Hình ảnh vệ tinh được xử lý bằng cách sử dụng mục đích xây dựng Khả năng không gian địa lý của Amazon SageMaker và làm giàu với tùy chỉnh được xây dựng Chế biến Amazon SageMaker hoạt động. Công cụ suy luận nhân quả được triển khai với Amazon SageMaker Suy luận không đồng bộ.
Trong bài đăng này, chúng tôi trình bày cách tạo phân tích phản thực này bằng cách sử dụng Khởi động Amazon SageMaker giải pháp.
Tổng quan về giải pháp
Sơ đồ sau đây cho thấy kiến trúc cho quy trình làm việc từ đầu đến cuối.
Điều kiện tiên quyết
Bạn cần một Tài khoản AWS để sử dụng giải pháp này.
Để chạy Giải pháp JumpStart 1P này và triển khai cơ sở hạ tầng cho tài khoản AWS của bạn, bạn cần tạo một tài khoản đang hoạt động. Xưởng sản xuất Amazon SageMaker ví dụ (tham khảo Tích hợp vào Miền Amazon SageMaker). Khi phiên bản Studio của bạn đã sẵn sàng, hãy làm theo hướng dẫn trong Khởi động SageMaker để khởi chạy giải pháp Phản thực về năng suất cây trồng.
Lưu ý rằng giải pháp này hiện chỉ khả dụng ở Khu vực Miền Tây Hoa Kỳ (Oregon).
Nguyên nhân diễn ra
Quan hệ nhân quả liên quan đến việc hiểu sự thay đổi, nhưng làm thế nào để chính thức hóa điều này trong thống kê và máy học (ML) không phải là một bài tập tầm thường.
Trong nghiên cứu năng suất cây trồng này, nitơ được thêm vào làm phân bón và kết quả năng suất có thể bị nhầm lẫn. Tương tự như vậy, nitơ được thêm vào làm phân bón và kết quả lọc nitơ cũng có thể bị nhầm lẫn, theo nghĩa là một nguyên nhân chung có thể giải thích mối liên hệ của chúng. Tuy nhiên, hiệp hội không phải là nguyên nhân. Nếu chúng ta biết yếu tố quan sát nào gây nhiễu cho mối liên hệ, chúng ta sẽ giải thích cho chúng, nhưng nếu có những biến số ẩn khác chịu trách nhiệm gây nhiễu thì sao? Giảm lượng phân bón sẽ không nhất thiết làm giảm lượng nitơ dư thừa; tương tự, nó có thể không làm giảm đáng kể năng suất, trong khi điều kiện đất đai và khí hậu có thể là những yếu tố quan sát được gây nhiễu cho mối liên hệ. Làm thế nào để xử lý nhiễu là vấn đề trung tâm của suy luận nhân quả. Một kỹ thuật được giới thiệu bởi RA Fisher được gọi là thử nghiệm ngẫu nhiên có kiểm soát nhằm mục đích phá vỡ sự nhầm lẫn có thể.
Tuy nhiên, trong trường hợp không có các thử nghiệm đối chứng ngẫu nhiên, cần phải suy luận nguyên nhân hoàn toàn từ dữ liệu quan sát. Có nhiều cách để kết nối các câu hỏi nhân quả với dữ liệu trong các nghiên cứu quan sát bằng cách viết mô hình đồ họa nhân quả dựa trên những gì chúng ta giả định là cách mọi thứ xảy ra. Điều này liên quan đến việc tuyên bố các đường đi ngang tương ứng sẽ nắm bắt được các yếu tố phụ thuộc tương ứng, đồng thời thỏa mãn tiêu chí đồ họa về tính không thể biết được có điều kiện (ở mức độ nào chúng ta có thể coi quan hệ nhân quả là sự liên kết dựa trên các giả định nhân quả). Sau khi chúng tôi đã mặc định cấu trúc, chúng tôi có thể sử dụng các bất biến ngụ ý để học hỏi từ dữ liệu quan sát và đưa vào các câu hỏi nguyên nhân, suy ra các tuyên bố nguyên nhân mà không cần thử nghiệm kiểm soát ngẫu nhiên.
Giải pháp này sử dụng cả dữ liệu từ các thử nghiệm kiểm soát ngẫu nhiên mô phỏng (RCT) cũng như dữ liệu quan sát từ hình ảnh vệ tinh. Một loạt các mô phỏng được thực hiện trên hàng nghìn cánh đồng và trong nhiều năm ở Illinois (Hoa Kỳ) được sử dụng để nghiên cứu phản ứng của ngô đối với việc tăng tỷ lệ nitơ đối với sự kết hợp rộng rãi giữa thời tiết và sự thay đổi của đất được thấy trong khu vực. Nó giải quyết hạn chế của việc sử dụng dữ liệu thử nghiệm giới hạn về số lượng đất và số năm mà nó có thể khám phá bằng cách sử dụng các mô phỏng cây trồng của các kịch bản canh tác và khu vực địa lý khác nhau. Cơ sở dữ liệu đã được hiệu chỉnh và xác thực bằng cách sử dụng dữ liệu từ hơn 400 thử nghiệm trong khu vực. Nồng độ nitơ ban đầu trong đất được đặt ngẫu nhiên trong một phạm vi hợp lý.
Ngoài ra, cơ sở dữ liệu được tăng cường với các quan sát từ hình ảnh vệ tinh, trong khi số liệu thống kê khu vực được lấy từ các chỉ số quang phổ để biểu thị những thay đổi theo thời gian của thảm thực vật, được nhìn thấy qua các giai đoạn địa lý và hiện tượng học.
Suy luận nhân quả với mạng Bayesian
Các mô hình nhân quả cấu trúc (SCM) sử dụng các mô hình đồ họa để thể hiện các mối quan hệ phụ thuộc nhân quả bằng cách kết hợp cả đầu vào do con người và dữ liệu điều khiển. Một loại mô hình nhân quả cấu trúc cụ thể được gọi là mạng Bayes được đề xuất để mô hình hóa động lực học hiện tượng cây trồng bằng cách sử dụng các biểu thức xác suất bằng cách biểu diễn các biến dưới dạng các nút và mối quan hệ giữa các biến dưới dạng các cạnh. Các nút là các chỉ số về sự phát triển của cây trồng, điều kiện đất đai và thời tiết, và các cạnh giữa chúng thể hiện mối quan hệ nhân quả không gian-thời gian. Các nút cha là các tham số liên quan đến đồng ruộng (bao gồm ngày gieo hạt và diện tích gieo trồng), và các nút con là các chỉ số về năng suất, sự hấp thụ nitơ và lọc nitơ.
Để biết thêm thông tin, hãy tham khảo đặc tính cơ sở dữ liệu và hướng dẫn để xác định các giai đoạn sinh trưởng của ngô.
Một vài bước được yêu cầu để xây dựng mô hình mạng Bayesian (với nhân quảNex) trước khi chúng tôi có thể sử dụng nó để phân tích can thiệp và phản chứng. Cấu trúc của mô hình nhân quả ban đầu được học từ dữ liệu, trong khi chuyên môn về chủ đề (tài liệu đáng tin cậy hoặc niềm tin thực nghiệm) được sử dụng để quy định các mối quan hệ phụ thuộc và độc lập bổ sung giữa các biến ngẫu nhiên và biến can thiệp, cũng như khẳng định cấu trúc là nhân quả.
Sử dụng KHÔNG NƯỚC MẮT, một thuật toán tối ưu hóa liên tục để học cấu trúc, cấu trúc biểu đồ mô tả các quan hệ phụ thuộc có điều kiện giữa các biến được học từ dữ liệu, với một tập hợp các ràng buộc áp đặt cho các cạnh, nút cha và nút con không được phép trong mô hình nhân quả. Điều này bảo tồn sự phụ thuộc thời gian giữa các biến. Xem đoạn mã sau:
"""
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,
)
Bước tiếp theo mã hóa kiến thức miền trong các mô hình và nắm bắt các động lực hiện tượng học, đồng thời tránh các mối quan hệ giả mạo. Phân tích đa cộng tuyến, phân tích nhân tố lạm phát biến thể và tầm quan trọng của tính năng toàn cầu bằng cách sử dụng HÌNH DẠNG phân tích được tiến hành để rút ra những hiểu biết sâu sắc và hạn chế đối với các biến số căng thẳng về nước (sự giãn nở, hiện tượng học và quang hợp xung quanh sự ra hoa), các biến số về thời tiết và đất đai, các chỉ số quang phổ và các chỉ số dựa trên nitơ:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Các mạng Bayesian trong CausalNex chỉ hỗ trợ các bản phân phối rời rạc. Bất kỳ đối tượng liên tục nào hoặc đối tượng có số lượng danh mục lớn đều được rời rạc hóa trước khi khớp với mạng 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,
)
Sau khi cấu trúc được xem xét, phân phối xác suất có điều kiện của từng biến được cung cấp cho cha mẹ của nó có thể được học từ dữ liệu, trong một bước được gọi là ước tính khả năng:
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",
)
Cuối cùng, cấu trúc và khả năng xảy ra được sử dụng để thực hiện suy luận quan sát một cách nhanh chóng, tuân theo một quy luật xác định. Thuật toán cây giao nhau (JTA) và thực hiện các can thiệp bằng cách sử dụng phép tính. Suy luận không đồng bộ SageMaker cho phép xếp hàng các yêu cầu đến và xử lý chúng một cách không đồng bộ. Tùy chọn này là lý tưởng cho cả kịch bản quan sát và suy luận phản thực tế, trong đó quy trình không thể song song hóa, do đó mất thời gian đáng kể để cập nhật xác suất trên toàn mạng, mặc dù có thể chạy song song nhiều truy vấn. Xem đoạn mã sau:
"""
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")
Để biết thêm chi tiết, hãy tham khảo kịch bản suy luận.
mô hình nhân quả máy tính xách tay là hướng dẫn từng bước về cách chạy các bước trước đó.
Xử lý dữ liệu không gian địa lý
Công việc quan sát trái đất (EOJ) được kết nối với nhau để thu thập và biến đổi hình ảnh vệ tinh, trong khi các hoạt động được xây dựng có mục đích và các mô hình được đào tạo trước được sử dụng để loại bỏ đám mây, ghép ảnh, hoạt động toán dải và lấy mẫu lại. Trong phần này, chúng tôi thảo luận chi tiết hơn về các bước xử lý không gian địa lý.
Lĩnh vực quan tâm
Trong hình dưới đây, các đa giác màu xanh lá cây là các quận được chọn, lưới màu cam là bản đồ cơ sở dữ liệu (lưới gồm các ô 10 x 10 km nơi các thử nghiệm được tiến hành trong khu vực) và lưới các ô vuông màu xám là 100 km x 100 km Lưới ốp lát Sentinel-2 UTM.
Các tệp không gian được sử dụng để lập bản đồ cơ sở dữ liệu mô phỏng với hình ảnh vệ tinh tương ứng, phủ lên các đa giác có kích thước 10 km x 10 km phân chia bang Illinois (nơi tiến hành thử nghiệm trong khu vực), đa giác hạt và 100 km x 100 km Sentinel- 2 gạch UTM. Để tối ưu hóa quy trình xử lý dữ liệu không gian địa lý, trước tiên, một vài ô Sentinel-2 gần đó được chọn. Tiếp theo, hình học tổng hợp của các ô và ô được xếp chồng lên nhau để thu được vùng quan tâm (RoI). Các hạt và ID ô được quan sát đầy đủ trong RoI được chọn để tạo thành hình dạng đa giác được truyền vào EOJ.
Phạm vi thời gian
Đối với bài tập này, chu kỳ hiện tượng học của ngô được chia thành ba giai đoạn: giai đoạn sinh dưỡng từ v5 đến R1 (nảy mầm, tạo vòng cổ lá và trỗ bông), giai đoạn sinh sản từ R1 đến R4 (lúa tơ, phồng rộp, sữa và bột) và giai đoạn sinh sản R5 (móp) và R6 (trưởng thành sinh lý). Các chuyến thăm vệ tinh liên tiếp được thu thập cho từng giai đoạn hiện tượng học trong khoảng thời gian 2 tuần và khu vực quan tâm được xác định trước (các quận được chọn), cho phép phân tích không gian và thời gian của hình ảnh vệ tinh. Hình dưới đây minh họa các chỉ số này.
Loại bỏ đám mây
Loại bỏ đám mây cho dữ liệu Sentinel-2 sử dụng mô hình phân đoạn ngữ nghĩa dựa trên ML để xác định các đám mây trong hình ảnh, trong đó các pixel có mây được thay thế bằng giá trị -9999 (giá trị nốt):
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)
Sau khi EOJ được tạo, ARN được trả lại và được sử dụng để thực hiện thao tác geomosaic tiếp theo.
Để có được trạng thái của một công việc, bạn có thể chạy sg_client.get_earth_observation_job(Arn = response['Arn']).
địa chất
Geomosaic EOJ được sử dụng để hợp nhất các hình ảnh từ nhiều lần truy cập vệ tinh vào một bức tranh khảm lớn, bằng cách ghi đè lên nốt dữ liệu hoặc pixel trong suốt (bao gồm cả pixel có mây) bằng pixel từ các dấu thời gian khác:
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)
Sau khi EOJ được tạo, ARN được trả lại và được sử dụng để thực hiện thao tác lấy mẫu lại tiếp theo.
Lấy mẫu lại
Lấy mẫu lại được sử dụng để thu nhỏ độ phân giải của hình ảnh không gian địa lý để phù hợp với độ phân giải của mặt nạ cắt (thay đổi kích thước độ phân giải 10–30 m):
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)
Sau khi EOJ được tạo, ARN được trả lại và được sử dụng để thực hiện phép toán dải tiếp theo.
ban nhạc toán
Các phép toán dải được sử dụng để chuyển đổi các quan sát từ nhiều dải quang phổ thành một dải đơn. Nó bao gồm các chỉ số quang phổ sau:
- EVI2 – Chỉ số thực vật nâng cao hai dải
- DGVI – Chỉ số thực vật khác biệt tổng quát
- NDMI – Chỉ số độ ẩm chênh lệch chuẩn hóa
- NDVI - Chỉ số thực vật khác biệt bình thường hóa
- NDWI – Chỉ số nước chênh lệch bình thường hóa
Xem mã sau đây:
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)
thống kê vùng
Các chỉ số phổ được làm phong phú thêm bằng cách sử dụng Chế biến Amazon SageMaker, trong đó logic tùy chỉnh dựa trên GDAL được sử dụng để thực hiện những việc sau:
- Hợp nhất chỉ số quang phổ thành một bức tranh khảm đa kênh duy nhất
- Chuyển hướng bức tranh khảm sang mặt nạ cây trồngchiếu của
- Áp dụng mặt nạ cắt và chuyển hướng khảm sang CRC của đa giác ô
- Tính toán số liệu thống kê khu vực cho các đa giác đã chọn (10 km x 10 km ô)
Với phân phối dữ liệu song song, các tệp kê khai (cho từng giai đoạn vật chất của cây trồng) được phân phối trên một số trường hợp bằng cách sử dụng ShardedByS3Key
Kiểu phân phối dữ liệu S3. Để biết thêm chi tiết, hãy tham khảo tập lệnh trích xuất tính năng.
Xử lý không gian địa lý máy tính xách tay là hướng dẫn từng bước về cách chạy các bước trước đó.
Hình dưới đây cho thấy các kênh RGB của các chuyến thăm vệ tinh liên tiếp đại diện cho các giai đoạn sinh dưỡng và sinh sản của chu kỳ hiện tượng học ngô, với mặt nạ cây trồng (phải) và không (trái) (CW 20, 26 và 33, 2018 Central Illinois).
Trong hình dưới đây, các chỉ số quang phổ (NDVI, EVI2, NDMI) của các chuyến thăm vệ tinh liên tiếp đại diện cho các giai đoạn sinh dưỡng và sinh sản của chu kỳ hiện tượng học ngô (CW 20, 26 và 33, 2018 Central Illinois).
Làm sạch
Nếu bạn không muốn sử dụng giải pháp này nữa, bạn có thể xóa các tài nguyên mà nó đã tạo. Sau khi giải pháp được triển khai trong Studio, hãy chọn Xóa tất cả tài nguyên để tự động xóa tất cả các tài nguyên tiêu chuẩn đã được tạo khi khởi chạy giải pháp, bao gồm cả bộ chứa S3.
Kết luận
Giải pháp này cung cấp một kế hoạch chi tiết cho các trường hợp sử dụng trong đó suy luận nhân quả với mạng Bayes là phương pháp ưa thích để trả lời các câu hỏi nhân quả từ sự kết hợp giữa dữ liệu và thông tin đầu vào của con người. Quy trình công việc bao gồm việc triển khai hiệu quả công cụ suy luận, xếp hàng đợi các truy vấn và can thiệp đến và xử lý chúng một cách không đồng bộ. Khía cạnh mô-đun cho phép tái sử dụng các thành phần khác nhau, bao gồm xử lý không gian địa lý với các hoạt động được xây dựng theo mục đích và các mô hình được đào tạo trước, làm phong phú thêm hình ảnh vệ tinh với các hoạt động GDAL được xây dựng tùy chỉnh và kỹ thuật tính năng đa phương thức (chỉ số quang phổ và dữ liệu dạng bảng).
Ngoài ra, bạn có thể sử dụng giải pháp này làm mẫu để xây dựng các mô hình cây trồng dạng lưới nơi tiến hành quản lý phân đạm và phân tích chính sách môi trường.
Để biết thêm thông tin, tham khảo Mẫu giải pháp và làm theo hướng dẫn để triển khai giải pháp Phản thực về năng suất cây trồng ở Khu vực Miền Tây Hoa Kỳ (Oregon). Mã có sẵn trong Repo GitHub.
Trích dẫn
Mandrini Đức, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Bộ dữ liệu mô phỏng về phản ứng của ngô đối với nitơ trên hàng nghìn cánh đồng và nhiều năm ở Illinois,
Dữ liệu tóm tắt, Tập 40, 2022, 107753, ISSN 2352-3409
Tài nguyên hữu ích
Về các tác giả
Phao-lô Ba-na là Nhà khoa học dữ liệu cấp cao của Phòng thí nghiệm tạo mẫu máy học tại AWS.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :là
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Giới thiệu
- thành tựu
- Tài khoản
- có được
- mua lại
- ngang qua
- hoạt động
- thêm
- Ngoài ra
- thêm vào
- địa chỉ
- những người ủng hộ
- Sau
- AGI
- Mục tiêu
- thuật toán
- Tất cả
- cho phép
- Mặc dù
- đàn bà gan dạ
- Amazon SageMaker
- Khởi động Amazon SageMaker
- trong số
- số lượng
- phân tích
- và
- câu trả lời
- bất cứ nơi nào
- Các Ứng Dụng
- kiến trúc
- LÀ
- KHU VỰC
- xung quanh
- AS
- khía cạnh
- Khẳng định
- Hiệp hội
- At
- tự động
- có sẵn
- tránh
- AWS
- BAND
- dựa
- Bayesian
- BE
- trước
- giữa
- Màu xanh da trời
- cuốn sách
- Nghỉ giải lao
- rộng
- xây dựng
- Xây dựng
- by
- gọi là
- CAN
- khả năng
- nắm bắt
- chụp
- trường hợp
- đố
- Nguyên nhân
- Tế bào
- trung tâm
- xích
- thay đổi
- Những thay đổi
- kênh
- trẻ em
- Chọn
- tuyên bố
- tuyên bố
- đám mây
- mã
- Vòng cổ
- kết hợp
- Chung
- các thành phần
- tập trung
- điều kiện
- thực hiện
- Kết nối
- liên tiếp
- khó khăn
- liên tục
- điều khiển
- kiểm soát
- Tương ứng
- có thể
- tạo
- tạo ra
- cây trồng
- Hiện nay
- đường cong
- khách hàng
- Custom-xây dựng
- chu kỳ
- dữ liệu
- xử lý dữ liệu
- nhà khoa học dữ liệu
- hướng dữ liệu
- Cơ sở dữ liệu
- ngày
- sâu
- học kĩ càng
- chứng minh
- triển khai
- Nguồn gốc
- chi tiết
- chi tiết
- sự khác biệt
- trực tiếp
- thảo luận
- phân phối
- phân phối
- Phân phối
- Chia
- miền
- quyết liệt
- vẽ tranh
- động lực
- mỗi
- hiệu lực
- sự xuất hiện
- cho phép
- cho phép
- Cuối cùng đến cuối
- Động cơ
- Kỹ Sư
- nâng cao
- Làm giàu
- môi trường
- Chính sách Môi trường
- chủ yếu
- Tập thể dục
- mở rộng
- chuyên gia
- chuyên môn
- Giải thích
- khám phá
- biểu thức
- mở rộng
- trích xuất
- các yếu tố
- nông nghiệp
- Đặc tính
- Tính năng
- vài
- Lĩnh vực
- Hình
- theo
- tiếp theo
- Trong
- hình thức
- Khung
- từ
- đầy đủ
- xa hơn
- tạo ra
- địa lý
- được
- GitHub
- được
- Toàn cầu
- đồ thị
- Màu xám
- màu xanh lá
- lưới
- Tăng trưởng
- hướng dẫn
- xử lý
- xảy ra
- Có
- Thành viên ẩn danh
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- Nhân loại
- lý tưởng
- xác định
- xác định
- Illinois
- hình ảnh
- hình ảnh
- Va chạm
- thực hiện
- bao hàm
- nhập khẩu
- tầm quan trọng
- Áp đặt
- áp đặt
- in
- bao gồm
- Bao gồm
- Incoming
- kết hợp
- tăng
- Các chỉ số
- CHỈ SỐ
- thông tin
- Cơ sở hạ tầng
- ban đầu
- ban đầu
- những hiểu biết
- ví dụ
- hướng dẫn
- Sự thông minh
- tương tác
- quan tâm
- can thiệp
- giới thiệu
- IT
- ITS
- Việc làm
- Biết
- kiến thức
- Phòng thí nghiệm
- lớn
- phóng
- ra mắt
- dẫn
- LEARN
- học
- học tập
- giới hạn
- Hạn chế
- văn chương
- còn
- máy
- học máy
- Máy móc
- thực hiện
- Làm
- quản lý
- bản đồ
- một giống én
- mặt nạ
- Mặt nạ
- Trận đấu
- toán học
- chất
- trưởng thành
- đi
- Phương pháp luận
- Metrics
- Might
- Sữa
- ML
- kiểu mẫu
- mô hình
- mô-đun
- chi tiết
- nhiều
- tên
- Nasa
- Gần
- nhất thiết
- Cần
- mạng
- mạng
- tiếp theo
- Nicolas
- nút
- Phân phối nút
- các nút
- con số
- được
- of
- on
- hoạt động
- Hoạt động
- tối ưu hóa
- Tối ưu hóa
- Tùy chọn
- trái cam
- gọi món
- Oregon
- Nền tảng khác
- Song song
- thông số
- cha mẹ
- riêng
- thông qua
- Thực hiện
- Quang hợp
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- cắm
- điều luật
- Polygon
- có thể
- Bài đăng
- ưa thích
- nguyên tắc
- Trước khi
- Vấn đề
- quá trình
- Xử lý
- Quy trình
- xử lý
- tài sản
- tài sản
- đề xuất
- đề xuất
- tạo mẫu
- cho
- cung cấp
- hoàn toàn
- Câu hỏi
- ngẫu nhiên
- Ngẫu nhiên
- phạm vi
- Giá
- sẵn sàng
- hợp lý
- đỏ
- giảm
- giảm
- khu
- mối quan hệ
- Mối quan hệ
- loại bỏ
- thay thế
- đại diện
- đại diện
- yêu cầu
- cần phải
- Độ phân giải
- Thông tin
- phản ứng
- chịu trách nhiệm
- xem xét
- RGB
- ROI
- chạy
- chạy
- nhà làm hiền triết
- vệ tinh
- kịch bản
- Nhà khoa học
- Phần
- phân khúc
- chọn
- cao cấp
- ý nghĩa
- Loạt Sách
- định
- một số
- Chương trình
- Tương tự
- duy nhất
- giải pháp
- Giải pháp
- một số
- không gian
- Quang phổ
- hình vuông
- Traineeship
- giai đoạn
- Tiêu chuẩn
- Tiểu bang
- Bang
- số liệu thống kê
- Trạng thái
- Bước
- Các bước
- căng thẳng
- cấu trúc
- nghiên cứu
- phòng thu
- Học tập
- Tiêu đề
- tiếp theo
- hỗ trợ
- hệ thống
- dùng
- Taro
- Giảng dạy
- mẫu
- Kiểm tra
- việc này
- Sản phẩm
- Đồ thị
- Nhà nước
- thế giới
- cung cấp their dịch
- Them
- bằng cách ấy
- Kia là
- điều
- hàng ngàn
- số ba
- Thông qua
- khắp
- thời gian
- đến
- bên nhau
- Train
- Chuyển đổi
- biến đổi
- minh bạch
- điều trị
- thử nghiệm
- thử nghiệm
- đáng tin cậy
- ucla
- khám phá
- Dưới
- sự hiểu biết
- đơn vị
- Kỳ
- Hoa Kỳ
- Cập nhật
- cập nhật
- us
- sử dụng
- xác nhận
- giá trị
- khác nhau
- Thăm
- khối lượng
- Nước
- cách
- Thời tiết
- tuần
- TỐT
- hướng Tây
- Điều gì
- cái nào
- trong khi
- sẽ
- với
- ở trong
- không có
- thế giới
- viết
- X
- năm
- Năng suất
- sản lượng
- Bạn
- trên màn hình
- zephyrnet