farmvibes ai
1.0.0
Avec farmvibes.ai, vous pouvez développer de riches informations géospatiales pour l'agriculture et la durabilité.
Construisez des modèles qui fusionnent plusieurs ensembles de données géospatiaux et spatio-temporels pour obtenir des informations (par exemple, estimer l'empreinte carbone, comprendre le taux de croissance, détecter les pratiques suivis) qui seraient difficiles à obtenir lorsque ces ensembles de données sont utilisés isolément. Vous pouvez fusionner les images satellites (RVB, SAR, multispectrale), l'imagerie de drones, les données météorologiques, etc.
La fusion des ensembles de données de cette façon aide à générer des informations plus robustes et déverrouille de nouvelles informations qui ne sont autrement pas possibles sans fusion. Ce repo contient plusieurs workflows de fusion (publiés et révélés être essentiels pour les problèmes liés à l'agriculture) qui vous aident à construire avec facilité la télédétection, l'observation de la Terre et la géospatiale en mettant l'accent sur l'agriculture / l'agriculture. Notre objectif principal en ce moment est l'agriculture et la durabilité, pour lesquelles les modèles sont optimisés. Cependant, le cadre lui-même est suffisamment générique pour vous aider à créer des modèles pour d'autres domaines.
Il y a trois pièces principales à Farmvibes.ai. Le premier se compose d'ingestion de données et de flux de travail de prétraitement pour aider à préparer des données pour les modèles de fusion adaptés à l'agriculture. De plus, nous fournissons des exemples de cahier de formation de modèle qui permettent non seulement la configuration du prétraitement des données, mais permettons également de régler les modèles existants avec facilité. Enfin, un moteur de calcul qui prend en charge l'ingestion de données ainsi que l'ajustement existant et créant de nouveaux flux de travail avec le modèle réglé.
Dans cette étape, vous pouvez sélectionner les ensembles de données que vous souhaitez fusionner pour la construction des informations. Farmvibes.ai est livré avec de nombreux téléchargeurs de jeux de données. Il s'agit notamment de l'imagerie satellite de Sentinel 1 et 2, des données américaines des terres cultivées, des cartes d'élévation de l'USGS, de l'imagerie NAIP, des données météorologiques de la NOAA, des données météorologiques privées de la météo ambiante. De plus, vous pouvez également apporter tous les ensembles de données rasterisés que vous souhaitez faire de la fusion pour Farmvibes.ai (par exemple, l'imagerie de drones ou d'autres images satellites) et, à l'avenir, des données de capteurs personnalisées (telles que les capteurs météorologiques).
La technique clé de Farmvibes.ai est d'utiliser comme entrée pour les données des modèles ML qui va bien au-delà des types, de l'espace et du temps d'où se trouvent les étiquettes. Par exemple, lors de la détection de silos de grains de l'imagerie satellite (étiquetée uniquement dans l'imagerie optique), il est préférable de s'appuyer sur des bandes optiques ainsi que des bandes radar et radar. Dans ce scénario, il est également important de combiner plusieurs modalités de données avec d'autres entités d'infrastructure agricole connues. De même, il est également important d'utiliser comme entrée les images d'un silo donné à différentes époques de l'année pour aider à générer un modèle plus robuste. Il a été démontré que les informations provenant de nombreux flux de données, tout en incorporant des données historiques à proximité ou des endroits similaires ou similaires, il améliore la robustesse des modèles géospatiaux (en particulier pour les problèmes de rendement, de croissance et de classification des cultures). Farmvibes.ai génère ces données d'entrée pour les modèles avec facilité en fonction des paramètres qui peuvent être spécifiés.
Farmvibes.ai permet à un scientifique des données de masser et / ou de régler les ensembles de données sur leurs préférences. Le réglage est activé via un flux de travail configurable qui est spécifié comme un graphique acyclique dirigé des workflows de téléchargement de données et des flux de travail de préparation des données. Les opérateurs de préparation aident à créer les entrées (par exemple, des réseaux de pandas fusionnés ou des tenseurs contenant toutes les données brutes) à des modules de formation et d'inférence.
La prochaine étape de Farmvibes.ai consiste à utiliser les cahiers intégrés pour régler les modèles pour atteindre un niveau de précision pour les parties du monde ou des saisons sur lesquelles vous vous concentrez. La bibliothèque comprend des cahiers pour la détection des pratiques (par exemple, la détection de la date de récolte), l'estimation de l'impact climatique (empreinte carbone saisonnière et durabilité à long terme), la prédiction des micro-climats et l'identification des cultures.
Farmvibes.ai est livré avec ces cahiers pour vous aider à commencer à former des modèles de fusion pour combiner les ensembles de données géospatiaux en informations robustes adaptées à vos besoins. Les utilisateurs peuvent régler le modèle sur une performance souhaitée et publier le modèle de Farmvibes.ai. Le modèle apparaît ensuite pour être utilisé plus tard dans un moteur d'inférence qui peut être utilisé pour d'autres parties du monde, d'autres dates ou plus.
La dernière étape de Farmvibes.ai consiste à combiner les connecteurs de données, le prétraitement et le modèle élabore ensemble dans un flux de travail d'inférence robuste. Le workflow généré peut ensuite être utilisé pour effectuer l'inférence dans une zone d'intérêt et une plage de temps qui peut être transmise en entrée au workflow. FarmVibes.ai peut être configuré de telle sorte qu'il exécute ensuite l'inférence pour la plage de temps et met à jour les résultats chaque fois que les données en amont sont mises à jour (par exemple, de nouvelles images satellites ou des données de capteur sont ajoutées). Vous le faites en créant un flux de travail composé de flux de travail de préparation des données et de fusions fusionnées.
Actuellement, nous sommes ouverts en cluster Farmvibes.ai local, qui utilise des opérateurs et des flux de travail pré-construction et les exécute localement sur votre machine de science des données. Cela signifie que toutes les données générées sont persistées localement dans votre machine. Les workflows réels et leurs implémentations sont fournis via des images Docker, avec leur description disponible dans la documentation de la liste des workflow.
L'utilisateur peut interagir avec le cluster FarmVibes.ai local via une API REST (dans LocalHost) ou un client Python local (à l'intérieur d'un cahier Jupyter, par exemple).
Veuillez vous référer au Guide QuickStart pour plus d'informations sur le démarrage. Si vous préférez configurer une machine virtuelle Azure dédiée pour exécuter Farmvibes.ai, vous pouvez trouver des instructions détaillées dans la documentation de configuration VM.
Dans les notebooks de dossier, il existe plusieurs exemples pour servir de points de départ et démontrant comment Farmvibes.ai peut être utilisé pour créer des informations agricoles. Certains des cahiers disponibles sont:
helloworld : un exemple simple sur la façon d'utiliser le client pour exécuter un flux de travail et visualiser la réponse.harvest_period : montrant comment une série temporelle NDVI calculée sur les données de Sentinel 2 peut être obtenue pour un seul champ et une saison de plantation et utilisée pour estimer les dates d'émergence et de récolte.carbon : illustrant comment simuler différentes estimations du carbone du sol en fonction de différentes pratiques agricoles, en tirant parti de l'API COMET-FARM.deepmc : montrant comment on peut construire des prévisions de micro-climat à partir des données météorologiques à l'aide du modèle DeepMC.crop_segementation : Cet exemple montre comment former un modèle d'identification de culture basé sur les données NDVI calculées en plus de notre modèle de génération d'images sans nuage SpaceEye. Dans cet exemple, vous pouvez également utiliser le modèle formé dans un flux de travail d'inférence pour obtenir des prédictions dans n'importe quel domaine où nous sommes en mesure de générer des images SpaceEye.Nous fournissons une liste complète des cahiers disponibles et leur description dans notre documentation.
Des informations plus détaillées sur les différents composants peuvent être trouvées dans la documentation Farmvibes.ai. Dans ce référentiel, ces informations sont également accessibles dans:
Ce projet accueille les contributions et les suggestions. La plupart des contributions vous obligent à accepter un accord de licence de contributeur (CLA) déclarant que vous avez le droit de faire et en fait, accordez-nous les droits d'utilisation de votre contribution. Pour plus de détails, visitez https://cla.opensource.microsoft.com.
Lorsque vous soumettez une demande de traction, un bot CLA déterminera automatiquement si vous devez fournir un CLA et décorer le RP de manière appropriée (par exemple, vérification d'état, commentaire). Suivez simplement les instructions fournies par le bot. Vous n'aurez besoin de le faire qu'une seule fois sur tous les dépositions en utilisant notre CLA.
Ce projet a adopté le code de conduite open source Microsoft. Pour plus d'informations, consultez le code de conduite FAQ ou contactez [email protected] avec toute question ou commentaire supplémentaire.
Ce projet peut contenir des marques ou des logos pour des projets, des produits ou des services. L'utilisation autorisée de marques ou de logos Microsoft est soumise et doit suivre les directives de marque et de marque de Microsoft. L'utilisation de marques ou de logos de Microsoft dans des versions modifiées de ce projet ne doit pas provoquer de confusion ou impliquer le parrainage de Microsoft. Toute utilisation de marques ou de logos tiers est soumis aux politiques de ces tiers.
