Bu konuk yazısı, Planet Labs'tan İş Geliştirme Uzmanı Lydia Lihui Zhang ve Yazılım Mühendisi/Veri Bilimcisi Mansi Shah tarafından birlikte yazılmıştır. Bu yazıya ilham veren analiz orijinal olarak Jennifer Reiber Kyle tarafından yazılmıştır.

Amazon SageMaker jeo-uzamsal yetenekleri ile birlikte GezegenUydu verileri mahsul segmentasyonu için kullanılabilir ve bu analizin tarım ve sürdürülebilirlik alanlarında çok sayıda uygulaması ve potansiyel faydası vardır. 2023'ün sonlarında Gezegen ortaklık duyurdu AWS ile coğrafi uzamsal verilerini kullanılabilir hale getirmek için Amazon Adaçayı Yapıcı.

Kırpma segmentasyonu, bir uydu görüntüsünü benzer mahsul özelliklerine sahip piksel bölgelerine veya segmentlere bölme işlemidir. Bu yazıda, bir görüntüdeki kırpılmış ve kırpılmamış bölgeleri tanımlamak için segmentasyon makine öğrenimi (ML) modelinin nasıl kullanılacağını gösteriyoruz.

Mahsul bölgelerini belirlemek, tarımsal bilgiler edinme yolunda temel bir adımdır ve zengin coğrafi veriler ile makine öğreniminin birleşimi, kararları ve eylemleri yönlendiren öngörülere yol açabilir. Örneğin:

• Veriye dayalı tarım kararları alma – Çiftçiler ve diğer tarımsal paydaşlar, mahsullerin mekansal olarak daha iyi anlaşılmasını sağlayarak sezon boyunca sudan gübreye ve diğer kimyasallara kadar kaynakların kullanımını optimize edebilir. Bu, atığı azaltmanın, mümkün olan her yerde sürdürülebilir tarım uygulamalarını geliştirmenin ve çevresel etkiyi en aza indirirken verimliliği artırmanın temelini oluşturur.
• İklimle ilgili streslerin ve eğilimlerin belirlenmesi – İklim değişikliği küresel sıcaklık ve yağış düzenlerini etkilemeye devam ettikçe, iklime uyum stratejileri için iklim bağlantılı strese karşı hassas olan alanları belirlemek amacıyla ürün segmentasyonu kullanılabilir. Örneğin, uydu görüntüleri arşivleri, mahsulün yetiştirildiği bir bölgede zaman içinde meydana gelen değişiklikleri izlemek için kullanılabilir. Bunlar ekim alanlarının boyutu ve dağılımındaki fiziksel değişiklikler olabilir. Bunlar aynı zamanda daha derin mahsul sağlığı analizi için uydu verilerinin farklı spektral indeksinden elde edilen toprak nemi, toprak sıcaklığı ve biyokütledeki değişiklikler de olabilir.
• Hasarın değerlendirilmesi ve azaltılması – Son olarak, bir doğal afet durumunda mahsulün zarar göreceği alanları hızlı ve doğru bir şekilde belirlemek için mahsul segmentasyonu kullanılabilir, bu da yardım çabalarının önceliklendirilmesine yardımcı olabilir. Örneğin, bir selden sonra, mahsullerin sular altında kaldığı veya yok olduğu alanları tespit etmek için yüksek frekanslı uydu görüntüleri kullanılabilir; bu da yardım kuruluşlarının etkilenen çiftçilere daha hızlı yardım etmesine olanak tanır.

Bu analizde, mahsul segmentasyonunu gerçekleştirmek için K-en yakın komşu (KNN) modelini kullanıyoruz ve bu sonuçları bir tarım bölgesindeki temel gerçek görüntülerle karşılaştırıyoruz. Sonuçlarımız, KNN modelinden elde edilen sınıflandırmanın, 2017'teki temel sınıflandırma verilerine göre 2015'deki mevcut mahsul tarlasının durumunu daha doğru bir şekilde temsil ettiğini ortaya koyuyor. Bu sonuçlar, Planet'in yüksek tempolu jeo-uzaysal görüntülerinin gücünün bir kanıtıdır. Tarım alanları sıklıkla, bazen bir sezonda birden çok kez değişir ve bu araziyi gözlemlemek ve analiz etmek için yüksek frekanslı uydu görüntülerinin mevcut olması, tarım arazileri ve hızla değişen ortamlar hakkındaki anlayışımıza büyük değer sağlayabilir.

Planet ve AWS'nin coğrafi makine öğrenimi konusunda ortaklığı

SageMaker jeo-uzamsal yetenekleri Veri bilimcilerini ve makine öğrenimi mühendislerini coğrafi verileri kullanarak modeller oluşturma, eğitme ve dağıtma konusunda güçlendirin. SageMaker'ın jeo-uzamsal yetenekleri, büyük ölçekli coğrafi-uzamsal veri kümelerini verimli bir şekilde dönüştürmenize veya zenginleştirmenize, önceden eğitilmiş makine öğrenimi modelleriyle model oluşturmayı hızlandırmanıza ve 3D hızlandırılmış grafikler ve yerleşik görselleştirme araçlarını kullanarak etkileşimli bir harita üzerinde model tahminlerini ve coğrafi-uzamsal verileri keşfetmenize olanak tanır. SageMaker'ın jeo-uzamsal yetenekleriyle, bu yazıda tartıştığımız ürün segmentasyonu da dahil olmak üzere çeşitli uygulamalar için doğru ML modelleri oluşturmak amacıyla büyük uydu görüntüleri veri kümelerini ve diğer jeo-uzaysal verileri işleyebilirsiniz.

Gezegen Laboratuvarları PBC günlük olarak Dünya yüzeyinin görüntülerini yakalamak için geniş uydu filosunu kullanan lider bir Dünya görüntüleme şirketidir. Bu nedenle gezegenin verileri coğrafi uzamsal makine öğrenimi için değerli bir kaynaktır. Yüksek çözünürlüklü uydu görüntüleri, dünyanın herhangi bir yerinde, çeşitli mahsul özelliklerini ve bunların zaman içindeki sağlığını belirlemek için kullanılabilir.

Planet ve SageMaker arasındaki ortaklık, müşterilerin AWS'nin güçlü makine öğrenimi araçlarını kullanarak Planet'in yüksek frekanslı uydu verilerine kolayca erişmesine ve bunları analiz etmesine olanak tanıyor. Veri bilimcileri kendi verilerini getirebilir veya ortamları değiştirmeden Planet'in verilerini rahatlıkla bulup bunlara abone olabilirler.

Jeo-uzamsal görüntü içeren bir Amazon SageMaker Studio not defterinde kırpma segmentasyonu

Bu örnek jeo-uzamsal ML iş akışında, Planet'in verilerinin temel gerçek veri kaynağıyla birlikte SageMaker'a nasıl getirileceğine ve bir KNN sınıflandırıcıyla bir ürün segmentasyon modelinin nasıl eğitileceğine, çıkarımına ve dağıtılacağına bakıyoruz. Son olarak, sonuçlarımızın doğruluğunu değerlendiriyoruz ve bunu temel doğruluk sınıflandırmamızla karşılaştırıyoruz.

Kullanılan KNN sınıflandırıcısı bir eğitime tabi tutulmuştur. Jeo-uzaysal özelliğe sahip Amazon SageMaker Studio dizüstü bilgisayarı görüntü ve coğrafi verilerle çalışmak için esnek ve genişletilebilir bir dizüstü bilgisayar çekirdeği sağlar.

The Amazon SageMaker Stüdyosu Jeo-uzamsal görüntü içeren dizüstü bilgisayar, jeo-uzaysal verilerin doğrudan bir Python dizüstü bilgisayar ortamında görselleştirilmesine ve işlenmesine olanak tanıyan GDAL, Fiona, GeoPandas, Shapely ve Rasterio gibi yaygın olarak kullanılan jeo-uzamsal kitaplıklarla önceden yüklenmiş olarak gelir. OpenCV veya scikit-learn gibi yaygın ML kütüphaneleri de KNN sınıflandırmasını kullanarak ürün segmentasyonunu gerçekleştirmek için kullanılır ve bunlar ayrıca jeouzaysal çekirdeğe yüklenir.

Veri seçimi

Yakınlaştırdığımız tarım alanı Kaliforniya'nın genellikle güneşli olan Sacramento ilçesinde bulunuyor.

Neden Sacramento? Bu tür bir problem için alan ve zaman seçimi temel olarak temel gerçek verilerinin mevcudiyeti ile tanımlanır ve mahsul türü ve sınır verilerinde bu tür verilere ulaşmak kolay değildir. 2015 Sacramento İlçesi Arazi Kullanımı DWR Araştırması veri kümesi o yıldaki Sacramento İlçesini kapsayan, halka açık bir veri kümesidir ve elle ayarlanmış sınırlar sağlar.

Kullandığımız birincil uydu görüntüleri Planet'in 4 bantlı görüntüleridir. PSScene ÜrünüMavi, Yeşil, Kırmızı ve Yakın IR bantlarını içeren ve sensör parlaklığına göre radyometrik olarak düzeltilmiş olan. Sensördeki yansımayı düzeltmeye yönelik katsayılar, sahne meta verilerinde sağlanır; bu, farklı zamanlarda çekilen görüntüler arasındaki tutarlılığı daha da artırır.

Bu görüntüleri üreten Planet's Dove uyduları 14 Şubat 2017'de fırlatıldı (haber bülteni), bu nedenle 2015 yılında Sacramento County'nin görüntüsünü almamışlardı. Ancak lansmandan bu yana bölgenin günlük görüntülerini çekiyorlar. Bu örnekte, yer gerçeği verileri ile uydu görüntüleri arasındaki kusurlu 2 yıllık boşluğu kapatıyoruz. Ancak Landsat 8'in daha düşük çözünürlüklü görüntüleri 2015 ile 2017 yılları arasında köprü olarak kullanılabilirdi.

Planet verilerine erişme

Planet, kullanıcıların doğru ve eyleme geçirilebilir verileri daha hızlı elde etmesine yardımcı olmak amacıyla Python için Planet Yazılım Geliştirme Kitini (SDK) de geliştirdi. Bu, uydu görüntüleri ve diğer coğrafi verilerle çalışmak isteyen veri bilimcileri ve geliştiriciler için güçlü bir araçtır. Bu SDK ile Planet'in geniş yüksek çözünürlüklü uydu görüntüleri koleksiyonunun yanı sıra OpenStreetMap gibi diğer kaynaklardan gelen verileri arayabilir ve bunlara erişebilirsiniz. SDK, Planet'in API'lerine bir Python istemcisinin yanı sıra kodsuz bir komut satırı arayüzü (CLI) çözümü sunarak uydu görüntülerinin ve jeo-uzaysal verilerin Python iş akışlarına dahil edilmesini kolaylaştırır. Bu örnek, analiz için gerekli görüntüleri tanımlamak ve indirmek için Python istemcisini kullanır.

Planet Python istemcisini, basit bir komut kullanarak SageMaker Studio not defterine jeouzaysal görüntüyle yükleyebilirsiniz:

%pip install planet

İlgili uydu görüntülerini sorgulamak ve ilgi alanına, zaman aralığına ve diğer arama kriterlerine göre mevcut sonuçların bir listesini almak için istemciyi kullanabilirsiniz. Aşağıdaki örnekte kaç tane olduğunu sorarak başlıyoruz. PlanetScope sahneleri (Gezegenin günlük görüntüleri), 1 Haziran ile 1 Ekim 2017 arasındaki belirli bir zaman aralığı göz önüne alındığında, daha önce Sacramento'daki yer verileri aracılığıyla tanımladığımız ilgi alanının (AOI) aynısını kapsamaktadır; ve ayrıca istenen %10'luk belirli bir maksimum bulut kapsama aralığı:

# create a request using the SDK from the search specifications of the data item_type = ['PSScene'] geom_filter_train = data_filter.geometry_filter(aoi_train)
date_range_filter = data_filter.date_range_filter("acquired", gt=datetime(month=6, day=1, year=2017), lt=datetime(month=10, day=1, year=2017))
cloud_cover_filter = data_filter.range_filter('cloud_cover', lt=0.10) combined_filter_test = data_filter.and_filter([geom_filter_test, date_range_filter, cloud_cover_filter]) # Run a quick search for our TRAIN data
async with Session() as sess: cl = sess.client('data') results = cl.search(name='temp_search_train',search_filter=combined_filter_train, item_types=item_type) train_result_list = [i async for i in results] print("Number of train scene results: ", len(train_result_list))

Döndürülen sonuçlar, ilgi alanımızla örtüşen eşleşen sahnelerin sayısını gösterir. Ayrıca her sahnenin meta verilerini, görüntü kimliğini ve önizleme görüntü referansını da içerir.

Belirli bir sahne seçildikten sonra sahne kimliği, öğe türü ve ürün paketlerine ilişkin spesifikasyonlarla birlikte (referans belgeleri), görseli ve meta verilerini indirmek için aşağıdaki kodu kullanabilirsiniz:

train_scene_id = '20170601_180425_0f35'
item_type = 'PSScene'
bundle_type = 'analytic_sr_udm2' # define the order request
products = [order_request.product([train_scene_id], bundle_type, item_type)]
request = order_request.build_request('train_dataset', products=products) # download the training data
async with Session() as sess: cl = sess.client('orders') # use "reporting" to manage polling for order status with reporting.StateBar(state='creating') as bar: # perform the order with the prior created order request order = await cl.create_order(request) bar.update(state='created', order_id=train_order['id']) # wait via polling until the order is processed await cl.wait(train_order['id'], callback=bar.update_state) # download the actual asset await cl.download_order(order_id=order['id'], directory=download_directory, progress_bar=True, overwrite=True)

Bu kod ilgili uydu görüntüsünü bilgisayara indirir. Amazon Elastik Dosya Sistemi SageMaker Studio için (Amazon EFS) birimi.

Model eğitimi

Veriler Planet Python istemcisi ile indirildikten sonra segmentasyon modeli eğitilebilir. Bu örnekte, kırpma alanını tanımlamak ve coğrafi referanslı geojson özellikleri oluşturmak için KNN sınıflandırması ve görüntü bölümleme tekniklerinin bir kombinasyonu kullanılmıştır.

Planet verileri, KNN sınıflandırıcısının eğitimine hazırlanmak için SageMaker'daki yerleşik coğrafi kütüphaneler ve araçlar kullanılarak yüklenir ve önceden işlenir. Eğitim için temel gerçek veriler, 2015 yılına ait Sacramento İlçesi Arazi Kullanımı DWR Araştırması veri kümesidir ve modeli test etmek için 2017 yılına ait Planet verileri kullanılmıştır.

Temel gerçeklik özelliklerini konturlara dönüştürün

KNN sınıflandırıcısını eğitmek için her pikselin sınıfı crop or non-crop tanımlanması gerekmektedir. Sınıf, pikselin temel gerçeklik verilerindeki bir kırpma özelliğiyle ilişkilendirilip ilişkilendirilmediğine göre belirlenir. Bu belirlemeyi yapmak için temel doğruluk verileri ilk olarak OpenCV konturlarına dönüştürülür ve bunlar daha sonra ayrıştırmak için kullanılır. crop itibaren non-crop piksel. Piksel değerleri ve bunların sınıflandırılması daha sonra KNN sınıflandırıcısını eğitmek için kullanılır.

Temel gerçeklik özelliklerini konturlara dönüştürmek için, özelliklerin öncelikle görüntünün koordinat referans sistemine yansıtılması gerekir. Daha sonra özellikler görüntü alanına ve son olarak da konturlara dönüştürülür. Konturların doğruluğunu sağlamak için, aşağıdaki örnekte gösterildiği gibi, bunlar giriş görüntüsünün üzerine yerleştirilmiştir.

KNN sınıflandırıcısını eğitmek için, kırpma özelliği konturları maske olarak kullanılarak kırpılan ve kırpılmayan pikseller ayrılır.

KNN sınıflandırıcının girişi iki veri kümesinden oluşur: Sınıflandırılacak özellikleri sağlayan 2 boyutlu bir dizi olan X; ve y, sınıfları sağlayan bir 1d dizisi (örnek). Burada, kırpma dışı ve kırpma veri kümelerinden tek bir sınıflandırılmış bant oluşturulur; burada bant değerleri piksel sınıfını belirtir. Bant ve altta yatan görüntü piksel bant değerleri daha sonra sınıflandırıcı uyum fonksiyonu için X ve y girişlerine dönüştürülür.

Sınıflandırıcıyı kırpılmış ve kırpılmamış pikseller konusunda eğitin

KNN sınıflandırması şu şekilde gerçekleştirilir: scikit-learn KNeighborsClassifier. Tahmincinin performansını büyük ölçüde etkileyen bir parametre olan komşuların sayısı, KNN çapraz doğrulamasında çapraz doğrulama kullanılarak ayarlanır. Sınıflandırıcı daha sonra hazırlanan veri kümeleri ve ayarlanmış sayıda komşu parametre kullanılarak eğitilir. Aşağıdaki koda bakın:

def fit_classifier(pl_filename, ground_truth_filename, metadata_filename, n_neighbors): weights = 'uniform' clf = neighbors.KNeighborsClassifier(n_neighbors, weights=weights) train_class_band = create_contour_classified_band(pl_filename, ground_truth_filename) X = to_X(load_refl_bands(pl_filename, metadata_filename)) y = to_y(train_class_band) clf.fit(X, y) return clf clf = fit_classifier(train_scene_filename, train_ground_truth_filename, train_metadata_filename, n_neighbors)

Sınıflandırıcının giriş verileri üzerindeki performansını değerlendirmek için piksel sınıfı, piksel bant değerleri kullanılarak tahmin edilir. Sınıflandırıcının performansı temel olarak eğitim verilerinin doğruluğuna ve giriş verilerine (piksel bant değerleri) dayalı olarak piksel sınıflarının net bir şekilde ayrılmasına dayanır. Sınıflandırıcının komşu sayısı ve mesafe ağırlıklandırma fonksiyonu gibi parametreleri, ikincideki hataları telafi edecek şekilde ayarlanabilir. Aşağıdaki koda bakın:

def predict(pl_filename, metadata_filename, clf): bands = load_refl_bands(pl_filename, metadata_filename) X = to_X(bands) y = clf.predict(X) return classified_band_from_y(bands[0].mask, y) train_predicted_class_band = predict(train_scene_filename, train_metadata_filename, clf)

Model tahminlerini değerlendirin

Eğitilmiş KNN sınıflandırıcısı, test verilerindeki mahsul bölgelerini tahmin etmek için kullanılır. Bu test verileri, eğitim sırasında modele maruz kalmayan bölgelerden oluşur. Başka bir deyişle, modelin analiz öncesinde alana ilişkin hiçbir bilgisi yoktur ve bu nedenle bu veriler, modelin performansını objektif olarak değerlendirmek için kullanılabilir. Nispeten daha gürültülü olan bir bölgeden başlayarak birkaç bölgeyi görsel olarak inceleyerek başlıyoruz.

Görsel inceleme, tahmin edilen sınıfların çoğunlukla temel doğruluk sınıflarıyla tutarlı olduğunu ortaya koymaktadır. Daha ayrıntılı olarak incelediğimiz birkaç sapma bölgesi var.

Daha ayrıntılı bir incelemenin ardından, bu bölgedeki gürültünün bir kısmının, sınıflandırılmış görüntüde mevcut olan ayrıntıların (sol üst ve sol alt ile karşılaştırıldığında sağ üst) eksik olan temel gerçek verilerden kaynaklandığını keşfettik. Özellikle ilginç bir bulgu, sınıflandırıcının nehir boyunca bulunan ağaçları tanımlamasıdır. non-croptemel gerçek veriler onları yanlışlıkla şu şekilde tanımlar: crop. Bu iki segmentasyon arasındaki bu fark, ağaçların bölgeyi mahsuller üzerinde gölgelemesinden kaynaklanıyor olabilir.

Bunu takiben iki yöntem arasında farklı şekilde sınıflandırılan başka bir bölgeyi inceliyoruz. Vurgulanan bu bölgeler daha önce 2015'teki temel verilerde (sağ üstte) mahsul olmayan bölgeler olarak işaretlenmişti, ancak 2017'de Planetscope Sahneleri (sol üst ve sol alt) aracılığıyla değiştirilip ekili arazi olarak açıkça gösterildi. Bunlar ayrıca sınıflandırıcı (sağ altta) aracılığıyla büyük ölçüde ekili arazi olarak sınıflandırıldı.

Yine, KNN sınıflandırıcısının temel doğruluk sınıfından daha ayrıntılı bir sonuç sunduğunu ve aynı zamanda ekili arazide meydana gelen değişimi başarılı bir şekilde yakaladığını görüyoruz. Bu örnek aynı zamanda günlük olarak yenilenen uydu verilerinin değerine de değiniyor çünkü dünya genellikle yıllık raporlardan çok daha hızlı değişiyor ve bunun gibi makine öğrenimi ile birleştirilmiş bir yöntem, değişiklikleri meydana geldiği anda yakalamamıza yardımcı olabilir. Özellikle gelişen tarım alanlarındaki bu tür değişiklikleri uydu verileri aracılığıyla izleyebilmek ve keşfedebilmek, çiftçilere işlerini optimize etme konusunda ve değer zincirindeki tüm tarımsal paydaşlara sezonun nabzını daha iyi tutmaları için yararlı bilgiler sağlıyor.

Model değerlendirme

Tahmin edilen sınıfların görüntülerinin temel doğruluk sınıflarıyla görsel olarak karşılaştırılması öznel olabilir ve sınıflandırma sonuçlarının doğruluğunun değerlendirilmesi için genelleştirilemez. Niceliksel bir değerlendirme elde etmek için, scikit-learn'in yöntemini kullanarak sınıflandırma metriklerini elde ederiz. classification_report işlevi:

# train dataset
print(classification_report(to_y(create_contour_classified_band(train_scene_filename, train_ground_truth_filename)), to_y(train_predicted_class_band), target_names=['crop', 'non-crop'])) precision recall f1-score support crop 0.89 0.86 0.87 2641818 non-crop 0.83 0.86 0.84 2093907 accuracy 0.86 4735725 macro avg 0.86 0.86 0.86 4735725
weighted avg 0.86 0.86 0.86 4735725 # test dataset
print(classification_report(to_y(create_contour_classified_band(test_scene_filename, test_ground_truth_filename)), to_y(test_predicted_class_band), target_names=['crop', 'non-crop'])) precision recall f1-score support crop 0.94 0.73 0.82 1959630 non-crop 0.32 0.74 0.44 330938 accuracy 0.73 2290568 macro avg 0.63 0.74 0.63 2290568
weighted avg 0.85 0.73 0.77 2290568

Piksel sınıflandırması, kırpma bölgelerinin segmentasyon maskesini oluşturmak için kullanılır, böylece hem hassaslık hem de önemli ölçümlerin hatırlanması sağlanır ve F1 puanı, doğruluğu tahmin etmek için iyi bir genel ölçümdür. Sonuçlarımız bize eğitim ve test veri kümesindeki hem mahsul hem de mahsul dışı bölgeler için ölçümler verir. Ancak işleri basit tutmak için gelin bu metriklere test veri kümesindeki mahsul bölgeleri bağlamında daha yakından bakalım.

Kesinlik, modelimizin olumlu tahminlerinin ne kadar doğru olduğunun bir ölçüsüdür. Bu durumda, mahsul bölgeleri için 0.94'lük bir hassasiyet, modelimizin, hatalı pozitiflerin (gerçek mahsul dışı bölgeler hatalı bir şekilde mahsul bölgeleri olarak tanımlanır) en aza indirildiği, gerçekten mahsul bölgeleri olan alanları doğru şekilde tanımlamada çok başarılı olduğunu gösterir. Geri çağırma ise olumlu tahminlerin tamlığını ölçer. Başka bir deyişle hatırlama, doğru şekilde tanımlanan gerçek pozitiflerin oranını ölçer. Bizim durumumuzda, mahsul bölgeleri için 0.73'lük bir geri çağırma değeri, tüm gerçek mahsul bölgesi piksellerinin %73'ünün doğru şekilde tanımlandığı anlamına gelir ve bu da hatalı negatiflerin sayısını en aza indirir.

İdeal olarak, hem kesinlik hem de geri çağırmanın yüksek değerleri tercih edilir, ancak bu büyük ölçüde vaka çalışmasının uygulanmasına bağlı olabilir. Örneğin, tarım için ürün bölgelerini belirlemek isteyen çiftçiler için bu sonuçları inceliyor olsaydık, yanlış negatiflerin (ürün dışı bölgeler olarak tanımlanan alanlar) sayısını en aza indirmek için kesinlik yerine daha yüksek geri çağırmayı tercih etmek isterdik. araziden en iyi şekilde yararlanmak için aslında mahsul bölgeleridir). F1 puanı, hem hassasiyeti hem de hatırlamayı birleştiren ve iki ölçüt arasındaki dengeyi ölçen genel bir doğruluk ölçüsü olarak hizmet eder. Mahsul bölgeleri için bizimki gibi yüksek bir F1 puanı (0.82), hem hassasiyet hem de geri çağırma ile yüksek genel sınıflandırma doğruluğu arasında iyi bir denge olduğunu gösterir. F1 puanının eğitim ve test veri kümeleri arasında düşmesine rağmen sınıflandırıcının eğitim veri kümesi üzerinde eğitilmiş olması nedeniyle bu beklenen bir durumdur. 1'lik genel ağırlıklı ortalama F0.77 puanı ümit vericidir ve sınıflandırılmış veriler üzerinde segmentasyon şemalarını denemek için yeterlidir.

Sınıflandırıcıdan bir segmentasyon maskesi oluşturma

Test veri kümesindeki KNN sınıflandırıcısından gelen tahminleri kullanarak bir segmentasyon maskesinin oluşturulması, görüntü gürültüsünün neden olduğu küçük segmentlerden kaçınmak için tahmin edilen çıktının temizlenmesini içerir. Benek gürültüsünü gidermek için OpenCV'yi kullanıyoruz medyan bulanıklık filtresi. Bu filtre, bitkiler arasındaki yol ayrımlarını morfolojik açık işleme göre daha iyi korur.

Gürültüsü giderilmiş çıktıya ikili bölümleme uygulamak için öncelikle sınıflandırılmış raster verilerini OpenCV kullanarak vektör özelliklerine dönüştürmemiz gerekir. Konturları bul fonksiyonu.

Son olarak, gerçek bölümlendirilmiş ürün bölgeleri, bölümlendirilmiş ürün ana hatları kullanılarak hesaplanabilir.

KNN sınıflandırıcısından üretilen bölümlere ayrılmış mahsul bölgeleri, test veri setindeki mahsul bölgelerinin kesin olarak tanımlanmasına olanak tanır. Bu bölümlere ayrılmış bölgeler, tarla sınırlarının belirlenmesi, mahsul izleme, verim tahmini ve kaynak tahsisi gibi çeşitli amaçlar için kullanılabilir. Elde edilen 1'lik F0.77 puanı iyidir ve KNN sınıflandırıcısının uzaktan algılama görüntülerinde ürün bölümlendirmesi için etkili bir araç olduğuna dair kanıt sağlar. Bu sonuçlar, ürün segmentasyon tekniklerini daha da geliştirmek ve iyileştirmek için kullanılabilir; bu da potansiyel olarak ürün analizinde doğruluğun ve verimliliğin artmasına yol açar.

Sonuç

Bu yazı, kombinasyonunu nasıl kullanabileceğinizi gösterdi Gezegenin yüksek tempo, yüksek çözünürlüklü uydu görüntüleri ve SageMaker jeo-uzamsal yetenekleri tarımsal verimliliği, çevresel sürdürülebilirliği ve gıda güvenliğini iyileştirebilecek değerli bilgilerin kilidini açacak şekilde ürün segmentasyonu analizi gerçekleştirmek. Mahsul bölgelerinin doğru bir şekilde belirlenmesi, mahsul büyümesi ve üretkenliği hakkında daha fazla analiz yapılmasını, arazi kullanımı değişikliklerinin izlenmesini ve potansiyel gıda güvenliği risklerinin tespit edilmesini sağlar.

Dahası, Planet verileri ve SageMaker'ın birleşimi, mahsul segmentasyonunun ötesinde geniş bir kullanım senaryosu yelpazesi sunar. Bu içgörüler, yalnızca tarımda mahsul yönetimi, kaynak tahsisi ve politika planlaması konusunda veriye dayalı kararların alınmasına olanak sağlayabilir. Farklı veriler ve makine öğrenimi modelleriyle birleştirilmiş teklif, diğer sektörlere de genişleyebilir ve dijital dönüşüm, sürdürülebilirlik dönüşümü ve güvenliğe yönelik kullanım örnekleri oluşturabilir.

SageMaker'ın coğrafi özelliklerini kullanmaya başlamak için bkz. Amazon SageMaker'ın coğrafi özelliklerini kullanmaya başlayın.

Planet'in görüntü özellikleri ve geliştirici referans materyalleri hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: Planet Geliştirici Merkezi. Planet'in Python SDK'sına ilişkin belgeler için bkz. Python için Planet SDK'sı. Mevcut veri ürünleri ve gelecek ürün sürümleri de dahil olmak üzere Planet hakkında daha fazla bilgi için şu adresi ziyaret edin: https://www.planet.com/.

Planet Labs PBC İleriye Dönük Açıklamalar

Burada yer alan tarihsel bilgiler dışında, bu blog yazısında belirtilen hususlar, Planet Labs dahil ancak bunlarla sınırlı olmamak üzere, 1995 tarihli Özel Menkul Kıymetler Dava Reformu Yasası'nın "güvenli liman" hükümleri anlamında ileriye dönük beyanlardır. PBC'nin pazar fırsatlarını yakalama ve mevcut veya gelecekteki ürün geliştirmelerinden, yeni ürünlerden veya stratejik ortaklıklardan ve müşteri işbirliklerinden elde edilen potansiyel faydaları gerçekleştirme yeteneği. İleriye yönelik beyanlar, Planet Labs PBC yönetiminin inançlarının yanı sıra, yapılan varsayımlara ve halihazırda ellerinde bulunan bilgilere dayanmaktadır. Bu tür açıklamalar gelecekteki olay ve sonuçlara ilişkin beklentilere dayandığı ve gerçeklerin ifadesi olmadığı için, gerçek sonuçlar öngörülenlerden önemli ölçüde farklı olabilir. Gerçek sonuçların mevcut beklentilerden maddi olarak farklı olmasına neden olabilecek faktörler arasında, bunlarla sınırlı olmamak üzere, Planet Labs PBC'nin periyodik raporlarında, vekil beyanlarında ve zaman içinde sunulan diğer açıklama materyallerinde yer alan Planet Labs PBC ve işleri hakkındaki risk faktörleri ve diğer açıklamalar yer alır. Menkul Kıymetler ve Borsa Komisyonu (SEC) ile zaman zaman çevrimiçi olarak şu adreste mevcuttur: www.sec.govve Planet Labs PBC'nin www.planet.com adresindeki web sitesinde. İleriye yönelik tüm beyanlar, Planet Labs PBC'nin yalnızca bu beyanların yapıldığı tarih itibarıyla inançlarını ve varsayımlarını yansıtmaktadır. Planet Labs PBC, gelecekteki olayları veya koşulları yansıtacak şekilde ileriye dönük beyanları güncelleme yükümlülüğü üstlenmez.

yazarlar hakkında

Lydia Lihui Zhang Planet Labs PBC'de İş Geliştirme Uzmanıdır ve çeşitli sektörlerde ve sayısız kullanım senaryosunda dünyanın iyileştirilmesi için alanların birbirine bağlanmasına yardımcı olur. Daha önce tarım odaklı bir çözüm olan McKinsey ACRE'de veri bilimci olarak çalışıyordu. Uzay politikasına odaklanan MIT Teknoloji Politikası Programından Yüksek Lisans derecesine sahiptir. Jeo-uzaysal veriler ve bunların iş ve sürdürülebilirlik üzerindeki daha geniş etkisi, kariyerinin odak noktası olmuştur.

Mansi Şah çalışmaları sanatsal titizlik ile teknik merakın çarpıştığı alanları araştıran bir yazılım mühendisi, veri bilimci ve müzisyendir. Verilerin (sanat gibi!) yaşamı taklit ettiğine inanıyor ve sayıların ve notların ardındaki derin insan hikayeleriyle ilgileniyor.

Xiong Zhou AWS'de Kıdemli Uygulamalı Bilim Adamıdır. Amazon SageMaker'ın jeo-uzamsal yetenekleri için bilim ekibine liderlik ediyor. Şu anki araştırma alanı bilgisayarlı görü ve etkili model eğitimini içermektedir. Boş zamanlarında koşmayı, basketbol oynamayı ve ailesiyle vakit geçirmeyi seviyor.

Janosch Woschitz AWS'de jeo-uzamsal AI/ML konusunda uzmanlaşmış Kıdemli Çözüm Mimarıdır. 15 yılı aşkın deneyimiyle, jeo-uzamsal verilerden yararlanan yenilikçi çözümler için yapay zeka ve makine öğreniminden yararlanma konusunda dünya çapındaki müşterilerini destekliyor. Uzmanlığı makine öğrenimi, veri mühendisliği ve ölçeklenebilir dağıtılmış sistemleri kapsamaktadır; yazılım mühendisliğindeki güçlü geçmişi ve otonom sürüş gibi karmaşık alanlardaki endüstri uzmanlığıyla da desteklenmektedir.

Shital Dhakal San Francisco Körfez Bölgesi'nde bulunan SageMaker geospatial ML ekibinde Kıdemli Program Yöneticisidir. Uzaktan algılama ve Coğrafi Bilgi Sistemi (CBS) konularında geçmişi bulunmaktadır. Müşterilerin sıkıntılı noktalarını anlama ve bunları çözmek için coğrafi ürünler geliştirme konusunda tutkulu. Boş zamanlarında yürüyüş yapmaktan, seyahat etmekten ve tenis oynamaktan hoşlanıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/