这篇客座文章由 Planet Labs 业务开发专家 Lydia Lihui Zhu 和软件工程师/数据科学家 Mansi Shah 共同撰写。 这 启发这篇文章的分析 最初由詹妮弗·雷伯·凯尔撰写。
Amazon SageMaker 地理空间功能 结合 环境卫星数据可用于作物分割,这种分析在农业和可持续发展领域有许多应用和潜在好处。 2023 年末,星球 宣布了合作关系 与 AWS 合作,通过以下方式提供其地理空间数据 亚马逊SageMaker.
作物分割是将卫星图像分割成具有相似作物特征的像素区域或片段的过程。 在这篇文章中,我们将说明如何使用分割机器学习 (ML) 模型来识别图像中的裁剪和非裁剪区域。
识别作物区域是获得农业见解的核心步骤,丰富的地理空间数据和机器学习的结合可以产生推动决策和行动的见解。 例如:
- 制定数据驱动的农业决策 – 通过更好地了解作物的空间,农民和其他农业利益相关者可以优化整个季节的资源利用,从水到肥料再到其他化学品。 这为减少浪费、尽可能改进可持续农业实践、提高生产力、同时最大限度地减少对环境的影响奠定了基础。
- 识别气候相关压力和趋势 – 随着气候变化继续影响全球温度和降雨模式,作物分割可用于识别易受气候相关压力影响的地区,以制定气候适应战略。 例如,卫星图像档案可用于跟踪农作物种植区域随时间的变化。 这些可能是农田面积和分布的物理变化。 它们还可以是从卫星数据的不同光谱指数得出的土壤湿度、土壤温度和生物量的变化,用于更深入的作物健康分析。
- 评估和减轻损害 – 最后,作物分割可用于在发生自然灾害时快速准确地识别作物受损区域,这有助于确定救灾工作的优先顺序。 例如,洪水过后,高节奏卫星图像可用于识别农作物被淹没或毁坏的区域,使救援组织能够更快地帮助受影响的农民。
在此分析中,我们使用 K 最近邻 (KNN) 模型进行作物分割,并将这些结果与农业区域的地面真实图像进行比较。 我们的结果表明,KNN 模型的分类比 2017 年的地面真实分类数据更准确地代表了 2015 年当前作物田的状态。这些结果证明了 Planet 的高节奏地理空间图像的力量。 农田经常发生变化,有时一个季节会发生多次变化,利用高频卫星图像来观察和分析这片土地可以为我们了解农田和快速变化的环境提供巨大的价值。
Planet 和 AWS 在地理空间 ML 方面的合作伙伴关系
SageMaker 地理空间功能 使数据科学家和机器学习工程师能够使用地理空间数据构建、训练和部署模型。 SageMaker 地理空间功能可让您高效转换或丰富大规模地理空间数据集,使用预先训练的 ML 模型加速模型构建,并使用 3D 加速图形和内置可视化工具在交互式地图上探索模型预测和地理空间数据。 借助 SageMaker 地理空间功能,您可以处理卫星图像和其他地理空间数据的大型数据集,为各种应用创建准确的 ML 模型,包括我们在本文中讨论的作物分割。
行星实验室 PBC 是一家领先的地球成像公司,每天使用其庞大的卫星群捕获地球表面的图像。 因此,Planet 的数据是地理空间机器学习的宝贵资源。 其高分辨率卫星图像可用于识别地球上任何地方的各种作物特征及其随时间的变化的健康状况。
Planet 和 SageMaker 之间的合作伙伴关系使客户能够使用 AWS 强大的机器学习工具轻松访问和分析 Planet 的高频卫星数据。 数据科学家可以自带数据,也可以方便地查找和订阅 Planet 的数据,而无需切换环境。
使用地理空间图像在 Amazon SageMaker Studio 笔记本中进行作物分割
在此地理空间 ML 工作流程示例中,我们了解如何将 Planet 的数据以及地面实况数据源引入 SageMaker,以及如何使用 KNN 分类器训练、推断和部署作物分割模型。 最后,我们评估结果的准确性,并将其与我们的地面真实分类进行比较。
使用的 KNN 分类器经过训练 具有地理空间的 Amazon SageMaker Studio 笔记本 图像,并提供灵活且可扩展的笔记本内核来处理地理空间数据。
亚马逊SageMaker Studio 带有地理空间图像的笔记本预装了常用的地理空间库,例如 GDAL、Fiona、GeoPandas、Shapely 和 Rasterio,这些库允许直接在 Python 笔记本环境中可视化和处理地理空间数据。 OpenCV 或 scikit-learn 等常见的 ML 库也用于使用 KNN 分类执行作物分割,并且这些库也安装在地理空间内核中。
数据选择
我们放大的农田位于通常阳光明媚的加利福尼亚州萨克拉门托县。
为什么是萨克拉门托? 此类问题的区域和时间选择主要由地面实况数据的可用性来定义,而作物类型和边界数据中的此类数据并不容易获得。 这 2015 年萨克拉门托县土地利用 DWR 调查数据集 是覆盖当年萨克拉门托县的公开数据集,并提供手动调整的边界。
我们使用的主要卫星图像是地球的 4 波段 PS场景产品,其中包含蓝色、绿色、红色和近红外波段,并根据传感器辐射亮度进行辐射校正。 场景元数据中提供了用于校正传感器反射率的系数,这进一步提高了不同时间拍摄的图像之间的一致性。
生成此图像的 Planet 的 Dove 卫星于 14 年 2017 月 XNUMX 日发射(新闻发布),因此他们没有在 2015 年拍摄萨克拉门托县的图像。不过,自发布以来,他们一直在拍摄该地区的日常图像。 在这个例子中,我们满足了地面实况数据和卫星图像之间不完美的 2 年差距。 然而,Landsat 8 的低分辨率图像本来可以用作 2015 年和 2017 年之间的桥梁。
访问星球数据
为了帮助用户更快地获得准确且可操作的数据,Planet 还开发了适用于 Python 的 Planet 软件开发套件 (SDK)。 对于想要处理卫星图像和其他地理空间数据的数据科学家和开发人员来说,这是一个强大的工具。 借助此 SDK,您可以搜索和访问 Planet 的大量高分辨率卫星图像以及来自 OpenStreetMap 等其他来源的数据。 该 SDK 为 Planet 的 API 提供了 Python 客户端,以及无代码命令行界面 (CLI) 解决方案,从而可以轻松地将卫星图像和地理空间数据合并到 Python 工作流程中。 此示例使用 Python 客户端来识别和下载分析所需的图像。
您可以使用简单的命令在带有地理空间图像的 SageMaker Studio 笔记本中安装 Planet Python 客户端:
您可以使用客户端查询相关卫星图像,并根据感兴趣的区域、时间范围和其他搜索条件检索可用结果列表。 在下面的例子中,我们首先询问有多少 行星范围场景 (行星的每日图像)覆盖了我们之前通过萨克拉门托地面数据定义的相同兴趣区域(AOI),并考虑了 1 年 1 月 2017 日至 10 月 XNUMX 日之间的特定时间范围; 以及某个所需的最大云覆盖范围 XNUMX%:
返回的结果显示与我们感兴趣的区域重叠的匹配场景的数量。 它还包含每个场景的元数据、图像 ID 和预览图像参考。
选择特定场景后,请指定场景 ID、项目类型和产品捆绑包(参考文档),您可以使用以下代码下载图像及其元数据:
此代码将相应的卫星图像下载到 亚马逊弹性文件系统 SageMaker Studio 的 (Amazon EFS) 卷。
模型训练
使用Planet Python客户端下载数据后,就可以训练分割模型了。 在此示例中,结合使用 KNN 分类和图像分割技术来识别作物区域并创建地理参考 geojson 特征。
使用 SageMaker 中的内置地理空间库和工具加载并预处理 Planet 数据,为训练 KNN 分类器做好准备。 用于训练的地面实况数据是 2015 年的 Sacramento County Land Use DWR Survey 数据集,2017 年的 Planet 数据用于测试模型。
将地面真实特征转换为轮廓
为了训练 KNN 分类器,每个像素的类别为 crop
or non-crop
需要被识别。 该类别由像素是否与地面实况数据中的裁剪特征相关联来确定。 为了做出这个决定,地面实况数据首先被转换为 OpenCV 轮廓,然后用于分离 crop
止 non-crop
像素。 然后使用像素值及其分类来训练 KNN 分类器。
要将地面实况特征转换为轮廓,必须首先将特征投影到图像的坐标参考系。 然后,将特征转换到图像空间,最后转换成轮廓。 为了确保轮廓的准确性,它们被可视化地叠加在输入图像上,如下例所示。
为了训练 KNN 分类器,使用裁剪特征轮廓作为掩模来分离裁剪和非裁剪像素。
KNN 分类器的输入由两个数据集组成:X,一个二维数组,提供要分类的特征; y,一个一维数组,提供类 (例子)。 在这里,从非作物和作物数据集创建单个分类带,其中带的值指示像素类别。 然后,将带和底层图像像素带值转换为分类器拟合函数的 X 和 y 输入。
在裁剪和非裁剪像素上训练分类器
KNN 分类是通过 scikit-learn KNeighborsClassifier。 邻居的数量是一个极大影响估计器性能的参数,在 KNN 交叉验证中使用交叉验证进行调整。 然后使用准备好的数据集和调整后的邻居参数数量来训练分类器。 请看下面的代码:
为了评估分类器对其输入数据的性能,使用像素带值来预测像素类别。 分类器的性能主要取决于训练数据的准确性以及基于输入数据(像素带值)的像素类别的清晰分离。 可以调整分类器的参数,例如邻居的数量和距离权重函数,以补偿后者的任何不准确性。 请看下面的代码:
评估模型预测
经过训练的 KNN 分类器用于预测测试数据中的作物区域。 该测试数据由训练期间未接触模型的区域组成。 换句话说,模型在分析之前不了解该区域,因此该数据可用于客观评估模型的性能。 我们首先目视检查几个区域,从相对嘈杂的区域开始。
目视检查表明,预测的类别与地面真实类别大部分一致。 有一些偏差区域,我们进一步检查。
经过进一步调查,我们发现该区域中的一些噪声是由于地面实况数据缺乏分类图像中存在的细节(右上与左上和左下相比)造成的。 一个特别有趣的发现是分类器将河流沿岸的树木识别为 non-crop
,而真实数据错误地将它们识别为 crop
。 这两个分割之间的差异可能是由于树木遮蔽了作物上方的区域。
接下来,我们检查这两种方法之间分类不同的另一个区域。 这些突出显示的区域之前在 2015 年的地面实况数据(右上)中被标记为非农作物区域,但在 2017 年通过 Planetscope 场景(左上和左下)进行了更改并清楚地显示为农田。 通过分类器,它们主要被分类为农田(右下)。
我们再次看到 KNN 分类器提供了比地面真实类别更精细的结果,并且它还成功捕获了农田中发生的变化。 这个例子还说明了每日刷新的卫星数据的价值,因为世界的变化速度通常比年度报告快得多,而像这样的 ML 组合方法可以帮助我们在变化发生时发现变化。 能够通过卫星数据监测和发现这些变化,特别是在不断变化的农业领域,为农民优化他们的工作以及价值链中的任何农业利益相关者提供有用的见解,以更好地了解季节的脉搏。
模型评估
预测类别的图像与地面真实类别的图像的视觉比较可能是主观的,并且不能概括用于评估分类结果的准确性。 为了获得定量评估,我们使用 scikit-learn 获得分类指标 classification_report
功能:
像素分类用于创建裁剪区域的分割掩模,使精度和召回率成为重要指标,并且 F1 分数是预测准确性的良好总体衡量标准。 我们的结果为我们提供了训练和测试数据集中作物和非作物区域的指标。 然而,为了简单起见,让我们在测试数据集中的裁剪区域的背景下仔细研究这些指标。
精度是衡量我们模型的积极预测准确程度的指标。 在这种情况下,作物区域的精度为 0.94 表明我们的模型非常成功地正确识别确实是作物区域的区域,其中误报(实际非作物区域被错误地识别为作物区域)被最小化。 另一方面,回忆衡量积极预测的完整性。 换句话说,召回率衡量的是正确识别的实际阳性的比例。 在我们的例子中,裁剪区域的召回值为 0.73,这意味着正确识别了所有真实裁剪区域像素的 73%,从而最大限度地减少了假阴性的数量。
理想情况下,首选较高的精确度和召回率,尽管这在很大程度上取决于案例研究的应用。 例如,如果我们正在为想要确定农业作物区域的农民检查这些结果,我们会希望优先考虑更高的召回率而不是精度,以最大限度地减少假阴性的数量(被识别为非作物区域的区域实际上是农作物区),以便充分利用土地。 F1 分数作为一个整体准确度指标,结合了精确度和召回率,并衡量两个指标之间的平衡。 高 F1 分数(例如我们的作物区域分数 (0.82))表明精确度和召回率之间存在良好的平衡,并且总体分类精度较高。 尽管 F1 分数在训练数据集和测试数据集之间有所下降,但这是预期的,因为分类器是在训练数据集上进行训练的。 1 的总体加权平均 F0.77 分数是有希望的,并且足以尝试对分类数据进行分割方案。
从分类器创建分割掩码
使用测试数据集上的 KNN 分类器的预测创建分割掩模需要清理预测输出,以避免图像噪声引起的小分割。 为了消除散斑噪声,我们使用 OpenCV 中值模糊滤波器。 该过滤器比形态开放操作更好地保留了作物之间的道路轮廓。
要将二进制分割应用于去噪输出,我们首先需要使用 OpenCV 将分类栅格数据转换为矢量特征 查找轮廓 功能。
最后,可以使用分割的裁剪轮廓来计算实际的分割的裁剪区域。
KNN 分类器生成的分割作物区域可以精确识别测试数据集中的作物区域。 这些分割的区域可用于各种目的,例如田界识别、作物监测、产量估算和资源分配。 取得的 1 的 F0.77 分数很好,证明 KNN 分类器是遥感图像作物分割的有效工具。 这些结果可用于进一步改进和完善作物分割技术,从而有可能提高作物分析的准确性和效率。
结论
这篇文章演示了如何结合使用 行星的 高节奏、高分辨率卫星图像和 SageMaker 地理空间功能 进行作物细分分析,释放宝贵的见解,从而提高农业效率、环境可持续性和粮食安全。 准确识别作物区域可以进一步分析作物生长和生产力、监测土地利用变化以及发现潜在的粮食安全风险。
此外,Planet 数据和 SageMaker 的结合提供了作物分割之外的广泛用例。 这些见解可以在农业领域的作物管理、资源分配和政策规划方面实现数据驱动的决策。 通过不同的数据和机器学习模型,组合后的产品还可以扩展到其他行业和数字化转型、可持续性转型和安全的用例。
要开始使用 SageMaker 地理空间功能,请参阅 开始使用 Amazon SageMaker 地理空间功能.
要了解有关 Planet 图像规范和开发人员参考资料的更多信息,请访问 星球开发者中心。 有关 Planet 的 Python SDK 的文档,请参阅 Python 星球 SDK。 有关 Planet 的更多信息,包括其现有数据产品和即将发布的产品,请访问 https://www.planet.com/.
Planet Labs PBC 前瞻性陈述
除本文中包含的历史信息外,本博文中阐述的事项均为 1995 年《私人证券诉讼改革法案》“安全港”条款含义内的前瞻性陈述,包括但不限于 Planet Labs PBC 有能力抓住市场机会,并从当前或未来的产品增强、新产品或战略合作伙伴关系和客户合作中实现任何潜在利益。 前瞻性陈述基于 Planet Labs PBC 管理层的信念以及他们做出的假设和当前可获得的信息。 由于此类陈述基于对未来事件和结果的预期,而不是事实陈述,因此实际结果可能与预测存在重大差异。 可能导致实际结果与当前预期存在重大差异的因素包括但不限于 Planet Labs PBC 的定期报告、委托书和不时提交的其他披露材料中包含的有关 Planet Labs PBC 及其业务的风险因素和其他披露与证券交易委员会 (SEC) 联系,可在线获取 www.sec.gov,以及 Planet Labs PBC 的网站 www.planet.com。 所有前瞻性陈述仅反映 Planet Labs PBC 截至此类陈述发表之日的信念和假设。 Planet Labs PBC 不承担更新前瞻性陈述以反映未来事件或情况的义务。
关于作者
张丽慧 是 Planet Labs PBC 的业务开发专家,她帮助连接空间以改善地球的各个部门和无数用例。 此前,她是麦肯锡 ACRE(专注于农业的解决方案)的数据科学家。 她拥有麻省理工学院技术政策项目的理学硕士学位,专注于太空政策。 地理空间数据及其对业务和可持续发展的更广泛影响一直是她的职业重点。
曼西·沙(Mansi Shah) 是一位软件工程师、数据科学家和音乐家,他的工作探索艺术严谨性和技术好奇心碰撞的空间。 她相信数据(就像艺术!)模仿生活,并对数字和笔记背后深刻的人类故事感兴趣。
周雄 是 AWS 的高级应用科学家。 他领导 Amazon SageMaker 地理空间功能科学团队。 他目前的研究领域包括计算机视觉和高效模型训练。 业余时间,他喜欢跑步、打篮球以及与家人共度时光。
雅诺什·沃施茨 是 AWS 的高级解决方案架构师,专门从事地理空间 AI/ML。 他拥有超过 15 年的经验,支持全球客户利用人工智能和机器学习开发利用地理空间数据的创新解决方案。 他的专业知识涵盖机器学习、数据工程和可扩展的分布式系统,并拥有强大的软件工程背景和自动驾驶等复杂领域的行业专业知识。
希塔尔·达卡尔 是位于旧金山湾区的 SageMaker 地理空间 ML 团队的高级项目经理。 他拥有遥感和地理信息系统 (GIS) 背景。 他热衷于了解客户的痛点并构建地理空间产品来解决这些问题。 业余时间,他喜欢徒步旅行、旅行和打网球。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 10
- 100
- 14
- 15 年
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- 对,能力--
- Able
- 关于
- 加快
- ACCESS
- 精准的
- 准确
- 实现
- 后天
- 英亩
- 横过
- 法案
- 行动
- 实际
- 通
- 适应
- 调整
- 影响
- 影响
- 后
- 农业
- 农业
- AI
- AI / ML
- 所有类型
- 分配
- 让
- 允许
- 单
- 沿
- 还
- 尽管
- Amazon
- 亚马逊SageMaker
- Amazon SageMaker 地理空间
- 亚马逊SageMaker Studio
- 亚马逊网络服务
- an
- 分析
- 分析
- 和
- 全年
- 另一个
- 任何
- 分析数据
- APIs
- 应用领域
- 应用领域
- 应用的
- 使用
- 档案
- 保健
- 国家 / 地区
- 地区
- 排列
- 艺术的
- AS
- 问
- 评估
- 评估
- 评定
- 财富
- 协助
- 相关
- 假设
- At
- 增强
- 自主性
- 可用性
- 可使用
- 避免
- 等待
- AWS
- 背部
- 背景
- 当前余额
- BAND
- 乐队的
- 酒吧
- 基于
- 基础
- 篮球
- 海湾
- BE
- 因为
- 很
- 开始
- 背后
- 作为
- 信仰
- 相信
- 好处
- 更好
- 改善
- 之间
- 超越
- 博客
- 蓝色
- 模糊
- 都
- 半身裙/裤
- 边界
- 边界
- 桥
- 带来
- 更广泛
- 建立
- 建筑物
- 内建的
- 捆绑
- 商业
- 业务发展
- 但是
- by
- CA
- 加州
- CAN
- 能力
- 利用
- 捕获
- 捕获
- 寻找工作
- 案件
- 案例研究
- 例
- 原因
- 造成
- 一定
- 链
- 更改
- 变
- 更改
- 特点
- 情况
- 程
- 类
- 分类
- 机密
- 清洁
- 清除
- 明确地
- CLF
- 客户
- 气候
- 气候变化
- 接近
- 云端技术
- 码
- 合作
- 采集
- 碰撞
- COM的
- 组合
- 结合
- 结合
- 如何
- 购买的订单均
- 佣金
- 相当常见
- 常用
- 公司
- 比较
- 比较
- 相比
- 对照
- 复杂
- 一台
- 计算机视觉
- 进行
- 分享链接
- 一贯
- 由
- 包含
- 包含
- 上下文
- 继续
- 兑换
- 转换
- 协调
- 核心
- 更正
- 相应
- 可以
- 县
- 外壳
- 覆盖
- 覆盖
- 创建信息图
- 创建
- 创造
- 创建
- 标准
- 作物
- 作物
- 好奇心
- 电流
- 目前
- 顾客
- 合作伙伴
- 每天
- data
- 数据科学家
- 数据驱动
- 数据集
- 日期
- 决定
- 更深
- 定义
- 定义
- 证明
- 依赖的
- 部署
- 派生
- 期望
- 销毁
- 细节
- 检测
- 决心
- 决心
- 发达
- 开发商
- 开发
- 研发支持
- 偏差
- 不同
- 差异
- 不同
- 数字
- 数字化改造
- 直接
- 灾害
- 泄露
- 通过各种方式找到
- 发现
- 讨论
- 距离
- 分布
- 分布式系统
- 分配
- 文件
- 域名
- 鸽子
- 下载
- 下载
- 驾驶
- 驾驶
- 滴
- 两
- ,我们将参加
- 每
- 此前
- 地球
- 容易
- 易
- 有效
- 效率
- 高效
- 有效
- 工作的影响。
- 或
- 授权
- enable
- 使
- 工程师
- 工程师
- 工程师
- 增强
- 更多
- 丰富
- 确保
- 环境
- 环境的
- 环境可持续发展
- 环境中
- 特别
- 评估
- 活动
- 事件
- 证据
- 演变
- 检查
- 例子
- 交换
- 现有
- 扩大
- 期望
- 预期
- 体验
- 专门知识
- 探索
- 探讨
- 裸露
- f1
- 事实
- 因素
- false
- 家庭
- 农民
- 农业
- 快
- 专栏
- 特征
- 二月
- 化肥
- 少数
- 部分
- 字段
- 文件
- 提交
- 过滤
- 终于
- 找到最适合您的地方
- 寻找
- 菲奥娜
- (名字)
- 适合
- 舰队
- 柔软
- 洪水
- 专注焦点
- 聚焦
- 以下
- 食品
- 针对
- 向前
- 前瞻性的
- 基金会
- 旧金山
- 止
- 功能
- 进一步
- 未来
- 获得
- 差距
- 地理
- 地理空间机器学习
- 得到
- 给
- 特定
- 全球
- 在全球范围内
- 非常好
- 图像
- 非常
- 绿色
- 陆运
- 成长
- 事业发展
- 客人
- 游客发表
- 手
- 发生
- 事件
- 有
- 有
- he
- 健康管理
- 帮助
- 有帮助
- 帮助
- 这里
- 相关信息
- 于此
- 高
- 高频
- 高分辨率
- 更高
- 突出
- 他的
- 历史的
- 持有
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- 人
- i
- ID
- 鉴定
- 确定
- 识别
- 鉴定
- 确定
- if
- 图片
- 图片
- 巨大
- 影响力故事
- 重要
- 改善
- 提高
- 改善
- in
- 其他
- 包括
- 包括
- 包括
- 包含
- 合并
- 不正确
- 增加
- 增加
- 的确
- 指数
- 表明
- 表示
- 行业
- 行业中的应用:
- 信息
- 创新
- 输入
- 输入
- 可行的洞见
- 灵感
- 安装
- 安装
- 互动
- 兴趣
- 有兴趣
- 有趣
- 接口
- 成
- 调查
- IT
- 它的
- Jennifer(珍妮弗)
- JPG
- 六月
- 保持
- 套件 (SDK)
- 知识
- 凯尔
- 实验室
- 土地
- 大
- 大规模
- 在很大程度上
- 晚了
- 发射
- 推出
- 铅
- 领导
- 信息
- 学习用品
- 学习
- 左
- 借力
- 库
- 生活
- 喜欢
- 有限
- Line
- 清单
- 诉讼
- 位于
- 看
- 寻找
- 机
- 机器学习
- 宏
- 制成
- 主要
- 使
- 制作
- 管理
- 颠覆性技术
- 经理
- 许多
- 地图
- 标
- 市场
- 面膜
- 主
- 匹配
- 重大
- 物料
- 事项
- 最多
- 可能..
- 麦肯锡
- 意
- 手段
- 衡量
- 措施
- 测量
- 元数据
- 方法
- 方法
- 公
- 指标
- 最小化
- 麻省理工学院简介
- 缓解
- ML
- 模型
- 模型
- 显示器
- 监控
- 更多
- 最先进的
- 大多
- 许多
- 多
- 音乐家
- 必须
- 无数的
- 自然
- 需求
- 打印车票
- 需要
- 底片
- 邻居
- 全新
- 新产品
- 没有
- 噪声
- 笔记本
- 数
- 数字
- 众多
- 客观地
- 义务
- 观察
- 获得
- 十月
- of
- 提供
- 优惠精选
- 经常
- on
- 在线
- 仅由
- 打开
- OpenCV的
- 操作
- ZAP优势
- 优化
- or
- 秩序
- 订单
- 组织
- 本来
- 其他名称
- 我们的
- 我们的
- 大纲
- 产量
- 超过
- 最划算
- 己
- 面包
- 参数
- 参数
- 特别
- 尤其
- 合作伙伴
- 合作伙伴关系
- 多情
- 模式
- 演出
- 性能
- 执行
- 定期
- 的
- 挑
- 像素
- 行星
- 规划行程
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 点
- 政策
- 积极
- 可能
- 帖子
- 潜力
- 可能
- 功率
- 强大
- 做法
- 精确的
- 平台精度
- 预测
- 都曾预测
- 预测
- 预测
- 首选
- Prepare
- 准备
- 当下
- 礼物
- 预览
- 先前
- 主要
- 小学
- 先
- 优先
- 私立
- 市场问题
- 过程
- 处理
- 处理
- 生成
- 产品
- 生产率
- 核心产品
- 深深
- 曲目
- 预计
- 有希望
- 比例
- 提供
- 提供
- 提供
- 代理
- 公然
- 脉冲
- 目的
- 蟒蛇
- 量
- 快速
- 很快
- 范围
- 实现
- 红色
- 减少
- 提炼
- 反映
- 改革
- 地区
- 地区
- 发布
- 相应
- 缓解
- 远程
- 去掉
- 报告
- 业务报告
- 代表
- 请求
- 研究
- 资源
- 资源
- 导致
- 成果
- 回报
- 揭示
- 揭示
- 丰富
- 右
- 风险
- 风险因素
- 风险
- 河
- 路
- 运行
- 运行
- 萨克拉门托
- sagemaker
- 同
- 圣
- 旧金山
- 卫星
- 卫星
- 可扩展性
- 现场
- 场景
- 方案
- 科学
- 科学家
- 科学家
- scikit学习
- 得分了
- SDK
- 搜索
- 季节
- 证券交易委员会
- 行业
- 证券
- 美国证券交易委员会
- 保安
- 安全风险
- 看到
- 分割
- 中模板
- 选
- 选择
- 前辈
- 分开
- 服务
- 特色服务
- 集
- 套数
- 解决
- 几个
- 她
- 显示
- 如图
- 类似
- 简易
- 自
- 单
- 尺寸
- 小
- 软件
- 软件开发
- 软件开发工具包
- 软件工程师
- 软件工程
- 土壤
- 方案,
- 解决方案
- 解决
- 一些
- 来源
- 来源
- 太空
- 剩余名额
- 跨度
- 空间的
- 说
- 专家
- 专业
- 规范
- 规格
- 光谱
- 花费
- 利益相关者
- 利益相关者
- 开始
- 开始
- 州/领地
- 声明
- Status
- 步
- 故事
- 善用
- 战略合作伙伴
- 策略
- 应力
- 强烈
- 工作室
- 学习
- 订阅
- 成功
- 顺利
- 这样
- SUPPORT
- 支持
- 磁化面
- 调查
- 永续发展
- 可持续发展
- 系统
- 产品
- 采取
- 拍摄
- 服用
- 团队
- 文案
- 技术
- 专业技术
- test
- 遗嘱
- 测试
- 比
- 这
- 区域
- 国家
- 世界
- 其
- 他们
- 然后
- 那里。
- 因此
- 博曼
- 他们
- 事
- Free Introduction
- 那些
- 通过
- 次
- 时
- 至
- 工具
- 工具
- 最佳
- 向
- 跟踪时
- 培训
- 熟练
- 产品培训
- 改造
- 转型
- 转化
- 旅游
- 树
- 趋势
- true
- 真相
- 尝试
- 二
- 类型
- 相关
- 理解
- 承担
- 解锁
- 直到
- 即将上市
- 更新
- us
- 使用
- 用过的
- 用户
- 使用
- 运用
- 平时
- 利用
- 有价值
- 折扣值
- 价值观
- 各个
- 广阔
- 非常
- 通过
- 愿景
- 参观
- 可视化
- 视觉
- 体积
- 脆弱
- 等待
- 想
- 是
- 废物回收
- 水
- we
- 卷筒纸
- Web服务
- 您的网站
- 井
- 为
- 而
- 是否
- 这
- 而
- WHO
- 谁的
- 宽
- 大范围
- 中
- 也完全不需要
- 话
- 工作
- 工作流程
- 工作流程
- 加工
- 世界
- 将
- 书面
- X
- 年
- 年
- 产量
- 完全
- 和风网
- 放大