farmvibes ai
1.0.0
مع Farmvibes.ai ، يمكنك تطوير رؤى جغرافية مكانية غنية للزراعة والاستدامة.
بناء النماذج التي تدمج مجموعات البيانات الجغرافية المكانية والمكانية المتعددة للحصول على رؤى (على سبيل المثال تقدير بصمة الكربون ، وفهم معدل النمو ، واكتشاف الممارسات المتبعة) والتي سيكون من الصعب الحصول عليها عند استخدام مجموعات البيانات هذه بمعزل عن ذلك. يمكنك دمج صور الأقمار الصناعية معًا (RGB ، SAR ، Multispectral) ، صور الطائرات بدون طيار ، بيانات الطقس ، وأكثر من ذلك.
إن دمج مجموعات البيانات بهذه الطريقة يساعد في توليد المزيد من الأفكار القوية وإلغاء تأمين رؤى جديدة غير ممكنة بدون اندماج. يحتوي هذا الريبو على العديد من سير عمل Fusion (المنشورة وأظهرت أنه مفتاح للمشاكل المتعلقة بالزراعة) التي تساعدك على بناء استشعار عن بُعد قوي ، ومراقبة الأرض ، والنماذج الجغرافية المكانية مع التركيز على الزراعة/الزراعة بسهولة. تركيزنا الرئيسي الآن هو الزراعة والاستدامة ، والتي تم تحسين النماذج من أجلها. ومع ذلك ، فإن الإطار نفسه عام بما يكفي لمساعدتك في بناء نماذج للمجالات الأخرى.
هناك ثلاث قطع رئيسية لـ Farmvibes.ai. الأول يتكون من ابتلاع البيانات وسير العمل المسبق للمساعدة في إعداد البيانات لنماذج الانصهار المصممة تجاه الزراعة. بالإضافة إلى ذلك ، نحن نقدم أمثلة دفتر تدريب النماذج لا تسمح فقط بتكوين المعالجة المسبقة للبيانات ولكن أيضًا تسمح بضبط النماذج الموجودة بسهولة. أخيرًا ، محرك حساب يدعم ابتلاع البيانات بالإضافة إلى ضبط وإنشاء سير عمل جديد مع النموذج المضبط.
في هذه الخطوة ، يمكنك تحديد مجموعات البيانات التي ترغب في دمجها لبناء الأفكار. Farmvibes.ai يأتي مع العديد من تنزيل مجموعات البيانات. وتشمل هذه صور الأقمار الصناعية من Sentinel 1 و 2 ، وبيانات الأراضي الزراعية الأمريكية ، وخرائط ارتفاع USGS ، وصور NAIP ، وبيانات الطقس NOAA ، وبيانات الطقس الخاصة من الطقس المحيط. بالإضافة إلى ذلك ، يمكنك أيضًا إحضار أي مجموعات بيانات نقطية تريد أن تجعلها جاهزة للانصهار لـ Farmvibes.ai (مثل صور الطائرات بدون طيار أو غيرها من صور الأقمار الصناعية) ، وفي المستقبل ، بيانات المستشعر المخصص (مثل أجهزة استشعار الطقس).
تتمثل الأسلوب الرئيسي في Farmvibes.ai في استخدام بيانات نماذج ML التي تتجاوز بكثير الأنواع والمكان والوقت من مكان وجود الملصقات. على سبيل المثال ، عند اكتشاف صوامع الحبوب من صور الأقمار الصناعية (المسمى فقط في الصور البصرية) ، من الأفضل الاعتماد على نطاقات البصرية والارتفاع والرادار. في هذا السيناريو ، من المهم أيضًا الجمع بين طرائق البيانات المتعددة مع كيانات البنية التحتية للزراعة المعروفة الأخرى. وبالمثل ، من المهم أيضًا استخدام إدخال صور صومعة معينة عبر أوقات مختلفة من العام للمساعدة في توليد نموذج أكثر قوة. بما في ذلك المعلومات من العديد من تدفقات البيانات ، مع دمج البيانات التاريخية من مواقع قريبة أو مشابهة ، تبين أنها تعمل على تحسين متانة النماذج الجغرافية المكانية (وخاصة لمشاكل العائد والنمو وتصنيف المحاصيل). تقوم FarmVibes.ai بإنشاء بيانات الإدخال هذه للنماذج بسهولة استنادًا إلى المعلمات التي يمكن تحديدها.
يمكّن Farmvibes.ai عالم البيانات من تدليك و/أو ضبط مجموعات البيانات لتفضيلاتهم. يتم تمكين التوليف عبر سير عمل قابل للتكوين والذي يتم تحديده كرسوم بيانية موجهة من تدفقات سير عمل تنزيل البيانات وسير عمل إعداد البيانات. تساعد مشغلي الإعداد في إنشاء المدخلات (مثل صفائف Pandas المنصهرة أو التنسات التي تحتوي على جميع البيانات الأولية) إلى وحدات التدريب والاستدلال.
تتضمن الخطوة التالية في Farmvibes.ai استخدام دفاتر الملاحظات في ثناياه عوامل لضبط النماذج لتحقيق مستوى من الدقة لأجزاء العالم أو المواسم التي تركز عليها. تتضمن المكتبة دفاتر ملاحظات لاكتشاف الممارسات (على سبيل المثال اكتشاف تاريخ الحصاد) ، وتقدير تأثير المناخ (كل من بصمة الكربون الموسمية والاستدامة على المدى الطويل) ، والتنبؤ بالمناخ الدقيق ، وتحديد المحاصيل.
يأتي FarmVibes.ai مع أجهزة الكمبيوتر المحمولة هذه لمساعدتك في البدء في تدريب نماذج الاندماج على الجمع بين مجموعات البيانات الجغرافية المكانية في رؤى قوية مصممة لتلبية احتياجاتك. يمكن للمستخدمين ضبط النموذج للأداء المطلوب ونشر النموذج إلى FarmVibes.ai. يظهر النموذج بعد ذلك ليتم استخدامه لاحقًا في محرك الاستدلال الذي يمكن استخدامه لأجزاء أخرى من العالم ، أو تواريخ أخرى ، أو أكثر.
تتمثل المرحلة النهائية في Farmvibes.ai في الجمع بين موصلات البيانات ، والمعالجة المسبقة ، والقطع النموذجية معًا في سير عمل استنتاج قوي. يمكن بعد ذلك استخدام تدفق سير العمل الذي تم إنشاؤه لأداء الاستدلال في مجال اهتمام ونطاق زمني يمكن تمريره كمدخلات لسير العمل. يمكن تكوين FarmVibes.ai بحيث يقوم بعد ذلك بتشغيل الاستدلال للنطاق الزمني وتحديث النتائج كلما تم تحديث بيانات المنبع (على سبيل المثال ، تتم إضافة صور القمر الصناعي الجديد أو بيانات المستشعر). يمكنك القيام بذلك عن طريق إنشاء سير عمل يتكون من إعدادات إعداد البيانات المنشورة وسير العمل.
حاليًا ، نحن نفتح المصدر Open Farmvibes.ai Cluster ، والذي يستخدم مشغلات ما قبل البناء وسير العمل ويديرها محليًا على آلة علوم البيانات الخاصة بك. هذا يعني أن أي بيانات تم إنشاؤها يتم استمرارها محليًا في جهازك. يتم توفير سير العمل الفعلي وتطبيقاتها عبر صور Docker ، مع وصفها المتاح في وثائق قائمة سير العمل.
يمكن للمستخدم التفاعل مع مجموعة Farmvibes.ai المحلية عبر واجهة برمجة تطبيقات REST (في LocalHost) أو عميل Python المحلي (داخل كمبيوتر محمول Jupyter ، على سبيل المثال).
يرجى الرجوع إلى دليل QuickStart للحصول على معلومات حول مكان البدء. إذا كنت تفضل إعداد جهاز Virtual Azure المخصص لتشغيل Farmvibes.ai ، فيمكنك العثور على إرشادات مفصلة في وثائق إعداد VM.
In the folder notebooks there are several examples to serve as starting points and demonstrating how FarmVibes.AI can be used to create Agriculture insights. بعض دفاتر الملاحظات المتاحة هي:
helloworld : a simple example on how to use the client to run a workflow and visualize the response.harvest_period : showing how a NDVI time-series computed on top of Sentinel 2 data can be obtained for a single field and planting season and used to estimate emergence and harvest dates.carbon : illustrating how to simulate different soil carbon estimates based on different agriculture practices, leveraging the COMET-Farm API.deepmc : showing how one can build micro-climate forecasts from weather station data using the DeepMC model.crop_segementation : this example shows how to train a crop identification model based on NDVI data computed on top of our SpaceEye cloud-free image generation model. في هذا المثال ، يمكنك أيضًا استخدام النموذج المدرب في سير عمل الاستدلال للحصول على تنبؤات في أي مجال يمكننا فيه إنشاء صور Spaceeye.نحن نقدم قائمة كاملة من دفاتر الملاحظات المتاحة ووصفها في وثائقنا.
يمكن العثور على مزيد من المعلومات التفصيلية حول المكونات المختلفة في وثائق Farmvibes.ai. In this repository, this information is also accessible in:
يرحب هذا المشروع بالمساهمات والاقتراحات. تطلب منك معظم المساهمات الموافقة على اتفاقية ترخيص المساهم (CLA) مع إعلان أن لديك الحق في ذلك في الواقع ، ويفعلنا في الواقع حقوق استخدام مساهمتك. لمزيد من التفاصيل ، تفضل بزيارة https://cla.opensource.microsoft.com.
عند إرسال طلب سحب ، سيحدد CLA Bot تلقائيًا ما إذا كنت بحاجة إلى توفير CLA وتزيين العلاقات العامة بشكل مناسب (على سبيل المثال ، فحص الحالة ، التعليق). ببساطة اتبع الإرشادات التي يقدمها الروبوت. ستحتاج فقط إلى القيام بذلك مرة واحدة عبر جميع عمليات إعادة الشراء باستخدام CLA لدينا.
اعتمد هذا المشروع رمز سلوك المصدر المفتوح Microsoft. لمزيد من المعلومات ، راجع مدونة الشهادة الأسئلة الشائعة أو الاتصال بـ [email protected] مع أي أسئلة أو تعليقات إضافية.
قد يحتوي هذا المشروع على علامات تجارية أو شعارات للمشاريع أو المنتجات أو الخدمات. يخضع الاستخدام المعتمد للعلامات التجارية أو الشعارات Microsoft ويجب أن يتبعوا إرشادات Microsoft التجارية والعلامة التجارية. يجب ألا يسبب استخدام العلامات التجارية Microsoft أو الشعارات في إصدارات معدلة من هذا المشروع الارتباك أو يعني رعاية Microsoft. يخضع أي استخدام للعلامات التجارية أو الشعارات من طرف ثالث لسياسات تلك الطرف الثالث.
