farmvibes ai
1.0.0
Dengan Farmvibes.ai, Anda dapat mengembangkan wawasan geospasial yang kaya untuk pertanian dan keberlanjutan.
Membangun model yang menggabungkan beberapa dataset geospasial dan spatiotemporal untuk mendapatkan wawasan (misalnya perkiraan jejak karbon, memahami tingkat pertumbuhan, mendeteksi praktik diikuti) yang akan sulit diperoleh ketika kumpulan data ini digunakan dalam isolasi. Anda dapat menggabungkan citra satelit (RGB, SAR, multispektral), citra drone, data cuaca, dan banyak lagi.
Memadukan kumpulan data dengan cara ini membantu menghasilkan wawasan yang lebih kuat dan membuka wawasan baru yang sebaliknya tidak mungkin tanpa fusi. Repo ini berisi beberapa alur kerja fusi (diterbitkan dan terbukti menjadi kunci untuk masalah terkait pertanian) yang membantu Anda membangun penginderaan jauh yang kuat, pengamatan bumi, dan model geospasial dengan fokus pada pertanian/pertanian dengan mudah. Fokus utama kami saat ini adalah pertanian dan keberlanjutan, yang dioptimalkan oleh model. Namun, kerangka kerja itu sendiri cukup umum untuk membantu Anda membangun model untuk domain lain.
Ada tiga karya utama untuk Farmvibes.ai. Yang pertama terdiri dari konsumsi data dan alur kerja pra-pemrosesan untuk membantu menyiapkan data untuk model fusi yang disesuaikan dengan pertanian. Selain itu, kami memberikan contoh notebook pelatihan model yang tidak hanya memungkinkan konfigurasi pra-pemrosesan data tetapi juga memungkinkan penyetelan model yang ada dengan mudah. Akhirnya, mesin komputasi yang mendukung konsumsi data serta menyesuaikan yang ada dan membuat alur kerja baru dengan model yang disetel.
Pada langkah ini, Anda dapat memilih dataset yang ingin Anda sesekali untuk membangun wawasan. FarmVibes.ai dilengkapi dengan banyak pengunduh dataset. Ini termasuk citra satelit dari Sentinel 1 dan 2, data lahan pertanian AS, peta ketinggian USGS, citra NAIP, data cuaca NOAA, data cuaca pribadi dari cuaca ambient. Selain itu, Anda juga dapat membawa dataset raster yang ingin membuat mereka siap fusi untuk farmvibes.ai (misalnya citra drone atau citra satelit lainnya) dan, di masa depan, data sensor khusus (seperti sensor cuaca).
Teknik utama dalam farmvibes.ai adalah untuk menggunakan sebagai input untuk data model ML yang jauh melampaui jenis, ruang dan waktu dari tempat label berada. Misalnya, ketika mendeteksi silo gandum dari citra satelit (diberi label hanya dalam citra optik), lebih baik mengandalkan optik serta pita ketinggian dan radar. Dalam skenario ini, penting juga untuk menggabungkan beberapa modalitas data dengan entitas infrastruktur pertanian lainnya yang diketahui. Demikian juga, penting juga untuk digunakan sebagai masukan gambar silo yang diberikan di berbagai waktu dalam setahun untuk membantu menghasilkan model yang lebih kuat. Termasuk informasi dari banyak aliran data, sementara juga menggabungkan data historis dari lokasi terdekat atau serupa telah terbukti meningkatkan ketahanan model geospasial (terutama untuk hasil, pertumbuhan, dan masalah klasifikasi tanaman). FarmVibes.AI menghasilkan data input tersebut untuk model dengan mudah berdasarkan parameter yang dapat ditentukan.
FarmVibes.ai memungkinkan seorang ilmuwan data untuk memijat dan/atau menyetel kumpulan data dengan preferensi mereka. Tuning diaktifkan melalui alur kerja yang dapat dikonfigurasi yang ditentukan sebagai grafik asiklik terarah dari alur kerja pengunduhan data dan alur kerja persiapan data. Operator persiapan membantu membuat input (misalnya array panda yang menyatu atau tensor yang berisi semua data mentah) untuk pelatihan dan modul inferensi.
Langkah selanjutnya di FarmVibes.ai melibatkan penggunaan buku catatan bawaan untuk menyetel model untuk mencapai tingkat akurasi untuk bagian -bagian dunia atau musim yang Anda fokuskan. Perpustakaan mencakup buku catatan untuk praktik pendeteksian (misalnya deteksi tanggal panen), memperkirakan dampak iklim (baik jejak karbon musiman dan keberlanjutan jangka panjang), prediksi iklim mikro, dan identifikasi tanaman.
FarmVibes.ai dilengkapi dengan buku catatan ini untuk membantu Anda mulai melatih model fusi untuk menggabungkan kumpulan data geospasial menjadi wawasan kuat yang dirancang untuk kebutuhan Anda. Pengguna dapat menyetel model ke kinerja yang diinginkan dan mempublikasikan model ke FarmVibes.ai. Model kemudian muncul untuk digunakan nanti dalam mesin inferensi yang dapat digunakan untuk bagian lain dunia, tanggal lain, atau lebih.
Tahap akhir di FarmVibes.ai adalah untuk menggabungkan konektor data, pra-pemrosesan, dan model yang berkecil-sealD bersama menjadi alur kerja inferensi yang kuat. Alur kerja yang dihasilkan kemudian dapat digunakan untuk melakukan inferensi di bidang yang diminati dan jangkauan waktu yang dapat dilewati sebagai input ke alur kerja. FarmVibes.ai dapat dikonfigurasi sedemikian rupa sehingga menjalankan inferensi untuk rentang waktu dan memperbarui hasil setiap kali data hulu diperbarui (misalnya citra satelit baru atau data sensor ditambahkan). Anda melakukan ini dengan membuat alur kerja yang terdiri dari persiapan data yang menyatu dan alur kerja model fusi.
Saat ini, kami melakukan open-sourcing, cluster farmvibes.ai lokal, yang menggunakan operator dan alur kerja pra-build dan menjalankannya secara lokal di mesin sains data Anda. Ini berarti bahwa setiap data yang dihasilkan tetap ada secara lokal di mesin Anda. Alur kerja yang sebenarnya dan implementasinya disediakan melalui gambar Docker, dengan deskripsi mereka tersedia dalam dokumentasi daftar alur kerja.
Pengguna dapat berinteraksi dengan cluster farmvibes.ai lokal melalui REST API (di LocalHost) atau klien Python lokal (di dalam buku catatan Jupyter, misalnya).
Silakan merujuk ke panduan QuickStart untuk informasi tentang tempat untuk memulai. Jika Anda lebih suka mengatur mesin virtual Azure khusus untuk menjalankan farmvibes.ai, Anda dapat menemukan instruksi terperinci dalam dokumentasi pengaturan VM.
Di folder notebooks ada beberapa contoh untuk berfungsi sebagai titik awal dan menunjukkan bagaimana farmvibes.ai dapat digunakan untuk membuat wawasan pertanian. Beberapa buku catatan yang tersedia adalah:
helloworld : Contoh sederhana tentang cara menggunakan klien untuk menjalankan alur kerja dan memvisualisasikan responsnya.harvest_period : Menunjukkan bagaimana seri waktu NDVI yang dihitung di atas data Sentinel 2 dapat diperoleh untuk satu bidang dan musim penanaman dan digunakan untuk memperkirakan tanggal kemunculan dan panen.carbon : Mengilustrasikan cara mensimulasikan estimasi karbon tanah yang berbeda berdasarkan praktik pertanian yang berbeda, memanfaatkan API komet-pertanian.deepmc : Menunjukkan bagaimana seseorang dapat membangun ramalan iklim mikro dari data stasiun cuaca menggunakan model DeepMC.crop_segementation : Contoh ini menunjukkan cara melatih model identifikasi tanaman berdasarkan data NDVI yang dihitung di atas model pembuatan gambar bebas cloud spaceeye kami. Dalam contoh ini, Anda juga dapat menggunakan model terlatih dalam alur kerja inferensi untuk mendapatkan prediksi di area mana pun di mana kami dapat menghasilkan citra spaceeye.Kami memberikan daftar lengkap notebook yang tersedia dan deskripsi mereka dalam dokumentasi kami.
Informasi lebih rinci tentang berbagai komponen dapat ditemukan di dokumentasi Farmvibes.AI. Di repositori ini, informasi ini juga dapat diakses dalam:
Proyek ini menyambut kontribusi dan saran. Sebagian besar kontribusi mengharuskan Anda untuk menyetujui perjanjian lisensi kontributor (CLA) yang menyatakan bahwa Anda memiliki hak untuk, dan benar -benar melakukannya, beri kami hak untuk menggunakan kontribusi Anda. Untuk detailnya, kunjungi https://cla.opensource.microsoft.com.
Saat Anda mengirimkan permintaan tarik, bot CLA akan secara otomatis menentukan apakah Anda perlu memberikan CLA dan menghiasi PR secara tepat (misalnya, pemeriksaan status, komentar). Cukup ikuti instruksi yang disediakan oleh bot. Anda hanya perlu melakukan ini sekali di semua repo menggunakan CLA kami.
Proyek ini telah mengadopsi kode perilaku open source Microsoft. Untuk informasi lebih lanjut, lihat FAQ Kode Perilaku atau hubungi [email protected] dengan pertanyaan atau komentar tambahan.
Proyek ini dapat berisi merek dagang atau logo untuk proyek, produk, atau layanan. Penggunaan resmi merek dagang atau logo Microsoft tunduk dan harus mengikuti pedoman merek dagang & merek Microsoft. Penggunaan merek dagang atau logo Microsoft dalam versi yang dimodifikasi dari proyek ini tidak boleh menyebabkan kebingungan atau menyiratkan sponsor Microsoft. Setiap penggunaan merek dagang atau logo pihak ketiga tunduk pada kebijakan pihak ketiga tersebut.
