farmvibes ai
1.0.0
farmvibes.aiを使用すると、農業と持続可能性のための豊かな地理空間洞察を開発できます。
複数の地理空間および空間的データセットを融合させるモデルを構築して、これらのデータセットを単独で使用する場合に取得するのが難しい洞察（例えば、カーボンフットプリントを推定し、成長率を理解し、慣行を検出する）を取得します。衛星画像（RGB、SAR、マルチスペクトル）、ドローン画像、気象データなどを融合できます。
この方法でデータセットを融合させると、より堅牢な洞察を生成し、融合なしでは不可能な新しい洞察のロックを解除します。このレポは、堅牢なリモートセンシング、地球観察、および農業/農業に焦点を当てた地理空間モデルを簡単に焦点を当てたいくつかの融合ワークフロー（農業関連の問題の鍵であることが公開され、農業関連の問題の鍵であることが示されています）が含まれています。現在の主な焦点は、モデルが最適化されている農業と持続可能性です。ただし、フレームワーク自体は、他のドメインのモデルを構築するのに十分な一般的なものです。
FarmVibes.aiには3つの主要な作品があります。最初のものは、農業に向けた融合モデルのデータの準備を支援するために、データの摂取と前処理ワークフローで構成されています。さらに、データの前処理の構成を許可するだけでなく、既存のモデルを簡単に調整できるようにするモデルトレーニングノートブックの例を提供します。最後に、データの摂取をサポートし、既存の調整をサポートし、調整されたモデルで新しいワークフローを作成するコンピューティングエンジン。
このステップでは、洞察を構築するために融合したいデータセットを選択できます。 FarmVibes.aiには多くのデータセットダウンローダーが付属しています。これらには、Sentinel 1および2の衛星画像、米国農地データ、USGS標高マップ、NAIP画像、NOAA気象データ、周囲の天候からの個人気象データが含まれます。さらに、FarmVibes.ai（ドローン画像やその他の衛星画像など）および将来、カスタムセンサーデータ（気象センサーなど）のFusion-Readyを使用するラスター化されたデータセットを持ち込むこともできます。
FarmVibes.aiの重要な手法は、ラベルがある場所からタイプ、空間、時間をはるかに超えたMLモデルデータの入力として使用することです。たとえば、衛星画像から粒子サイロを検出する場合（光学画像でのみラベル付けされています）、光学帯と標高およびレーダーバンドに依存する方が良いでしょう。このシナリオでは、複数のデータモダリティと他の既知の農業インフラストラクチャエンティティを組み合わせることも重要です。同様に、より堅牢なモデルを生成するために、年間のさまざまな時期に特定のサイロの画像を入力することも重要です。多くのデータストリームからの情報を含めて、近くの場所または類似の場所からの履歴データを組み込むことも、地理空間モデルの堅牢性を改善することが示されています（特に収量、成長、作物分類の問題）。 FarmVibes.aiは、指定できるパラメーターに基づいて簡単にモデル用のこのような入力データを生成します。
FarmVibes.AIにより、データサイエンティストはデータセットをマッサージおよび/または好みに合わせて調整できます。チューニングは、ワークフローとデータの準備ワークフローをダウンロードするデータの指向的な非環式グラフとして指定された構成可能なワークフローを介して有効になります。準備オペレーターは、トレーニングモジュールと推論モジュールに入力（すべての生データを含む融合パンダアレイまたはテンソル）を作成するのに役立ちます。
FarmVibes.aiの次のステップでは、組み込みのノートブックを使用してモデルをチューニングして、焦点を当てている世界または季節の精度のレベルを実現します。図書館には、慣行を検出するためのノートブック（収穫日検出）、気候への影響（季節の二酸化炭素排出量と長期の持続可能性の両方）、微気候の予測、および作物の識別が含まれています。
FarmVibes.aiには、これらのノートブックが付属しており、融合モデルを訓練して、地理空間データセットをニーズに合わせて調整された堅牢な洞察に組み合わせて訓練します。ユーザーは、モデルを目的のパフォーマンスにチューニングし、モデルをFarmVibes.aiに公開できます。その後、このモデルは、世界の他の地域、他の日付などに使用できる推論エンジンで後で使用するように表示されます。
FarmVibes.aiの最終段階は、データコネクタ、前処理、およびモデルを組み合わせて、堅牢な推論ワークフローに組み合わせます。生成されたワークフローは、ワークフローへの入力として渡すことができる関心と時間範囲の範囲で推論を実行するために使用できます。 FarmVibes.aiは、時間範囲の推論を実行し、上流のデータが更新されるたびに結果を更新するように構成できます（たとえば、新しい衛星画像またはセンサーデータが追加されます）。これを行うと、融合データの準備と融合モデルのワークフローで構成されるワークフローを作成します。
現在、私たちは地元のFarmVibes.aiクラスターをオープンソーシングしています。これは、ビルド前のオペレーターとワークフローを使用し、データサイエンスマシンでローカルに実行しています。これは、生成されたデータがマシン内で局所的に持続することを意味します。実際のワークフローとその実装は、Docker画像を介して提供され、その説明はワークフローリストのドキュメントで入手できます。
ユーザーは、REST API（LocalHost）またはローカルPythonクライアント（たとえばJupyterノートブック内）を介して、ローカルFarmVibes.AIクラスターと対話できます。
どこから始めればよいかについての詳細については、The QuickStartガイドを参照してください。 FarmVibes.aiを実行するように専用のAzure仮想マシンをセットアップする場合は、VMセットアップドキュメントに詳細な指示を見つけることができます。
フォルダーnotebooksには、出発点として機能し、農業の洞察を作成するために使用する方法を示すいくつかの例があります。利用可能なノートブックのいくつかは次のとおりです。
helloworld ：クライアントを使用してワークフローを実行し、応答を視覚化する方法についての簡単な例。harvest_period ：Sentinel 2データの上で計算されたNDVIの時系列が単一のフィールドと植え付けシーズンで取得され、出現と収穫の日付を推定するためにどのように取得できるかを示します。carbon ：さまざまな農業慣行に基づいて、さまざまな土壌炭素推定値をシミュレートする方法を示し、彗星の農場APIを活用します。deepmc ：DEEPMCモデルを使用して、気象観測データからの微気候予測をどのように構築できるかを示します。crop_segementation ：この例は、スペースアイクラウドフリーの画像生成モデルの上に計算されたNDVIデータに基づいて、作物識別モデルをトレーニングする方法を示しています。この例では、推論ワークフローで訓練されたモデルを使用して、SpaceEye画像を生成できる任意の領域で予測を取得することもできます。利用可能なノートブックの完全なリストとその説明をドキュメントに提供します。
さまざまなコンポーネントに関するより詳細な情報は、FarmVibes.aiのドキュメントにあります。このリポジトリでは、この情報にもアクセスできます。
このプロジェクトは、貢献と提案を歓迎します。ほとんどの貢献では、貢献者ライセンス契約（CLA）に同意する必要があります。詳細については、https：//cla.opensource.microsoft.comをご覧ください。
プルリクエストを送信すると、CLAボットはCLAを提供し、PRを適切に飾る必要があるかどうかを自動的に決定します（たとえば、ステータスチェック、コメント）。ボットが提供する指示に従うだけです。 CLAを使用して、すべてのレポでこれを1回だけ行う必要があります。
このプロジェクトは、Microsoftのオープンソース行動規範を採用しています。詳細については、FAQのコードを参照するか、追加の質問やコメントについては[email protected]にお問い合わせください。
このプロジェクトには、プロジェクト、製品、またはサービスの商標またはロゴが含まれる場合があります。 Microsoftの商標またはロゴの承認された使用は、Microsoftの商標およびブランドガイドラインに従うものであり、従わなければなりません。このプロジェクトの変更されたバージョンでのMicrosoft商標またはロゴの使用は、混乱を引き起こしたり、Microsoftのスポンサーシップを暗示したりしてはなりません。サードパーティの商標またはロゴの使用は、これらのサードパーティのポリシーの対象となります。
