farmvibes ai
1.0.0
Com o FarmVibes.ai, você pode desenvolver ricas idéias geoespaciais para agricultura e sustentabilidade.
Construir modelos que fundem vários conjuntos de dados geoespaciais e espaço -temporais para obter informações (por exemplo, estimar a pegada de carbono, entender a taxa de crescimento, detectar práticas seguidas) que seriam difíceis de obter quando esses conjuntos de dados forem usados isoladamente. Você pode fundir imagens de satélite (RGB, SAR, multiespectral), imagens de drones, dados climáticos e muito mais.
A fusão de conjuntos de dados dessa maneira ajuda a gerar insights mais robustos e desbloquear novos insights que, de outra forma, não são possíveis sem fusão. Este repo contém vários fluxos de trabalho de fusão (publicados e demonstrados como fundamentais para problemas relacionados à agricultura) que ajudam a criar sensoriamento remoto robusto, observação da Terra e modelos geoespaciais com foco na agricultura/agricultura com facilidade. Nosso foco principal agora é a agricultura e a sustentabilidade, para as quais os modelos são otimizados. No entanto, a estrutura em si é genérica o suficiente para ajudá -lo a criar modelos para outros domínios.
Existem três peças principais para FarmVibes.ai. O primeiro consiste em ingestão de dados e fluxos de trabalho de pré-processamento para ajudar a preparar dados para modelos de fusão adaptados à agricultura. Além disso, fornecemos exemplos de notebooks de treinamento modelo que não apenas permitem a configuração do pré-processamento de dados, mas também permitem ajustar os modelos existentes com facilidade. Finalmente, um mecanismo de computação que suporta a ingestão de dados, além de ajustar a existência e a criação de novos fluxos de trabalho com o modelo ajustado.
Nesta etapa, você pode selecionar os conjuntos de dados que deseja fundir para criar as idéias. FarmVibes.ai vem com muitos downloads de dados. Isso inclui imagens de satélite do Sentinel 1 e 2, dados de terras cultivadas nos EUA, mapas de elevação do USGS, imagens de NAIP, dados climáticos do NOAA, dados climáticos privados do clima ambiente. Além disso, você também pode trazer qualquer conjunto de dados rasterizado que deseja torná-los prontos para fusão para fazendas.ai (por exemplo, imagens de drones ou outras imagens de satélite) e, no futuro, dados de sensores personalizados (como sensores meteorológicos).
A técnica principal em FarmVibes.ai é usar como entrada para dados de modelos ML que vão muito além dos tipos, espaço e tempo de onde os rótulos estão localizados. Por exemplo, ao detectar silos de grãos a partir de imagens de satélite (rotuladas apenas em imagens ópticas), é melhor confiar na óptica, bem como nas bandas de elevação e radar. Nesse cenário, também é importante combinar várias modalidades de dados com outras entidades de infraestrutura agrícola conhecidas. Da mesma forma, também é importante usar como entrada as imagens de um determinado silo em várias épocas do ano para ajudar a gerar um modelo mais robusto. A inclusão de informações de muitos fluxos de dados, além de incorporar dados históricos de locais próximos ou semelhantes, demonstrou melhorar a robustez dos modelos geoespaciais (especialmente para problemas de rendimento, crescimento e classificação de culturas). FarmVibes.ai gera esses dados de entrada para modelos com facilidade com base em parâmetros que podem ser especificados.
FarmVibes.ai permite que um cientista de dados massageie e/ou ajuste os conjuntos de dados a suas preferências. O ajuste é ativado por meio de um fluxo de trabalho configurável, especificado como um gráfico acíclico direcionado de dados de download de dados e fluxos de trabalho de preparação de dados. Os operadores de preparação ajudam a criar as entradas (por exemplo, matrizes de pandas fundidas ou tensores que contêm todos os dados brutos) nos módulos de treinamento e inferência.
A próxima etapa em FarmVibes.ai envolve o uso dos notebooks embutidos para ajustar os modelos para atingir um nível de precisão para as partes do mundo ou das estações nas quais você está se concentrando. A biblioteca inclui cadernos para detectar práticas (por exemplo, detecção de data da colheita), estimativa do impacto climático (pegada sazonal de carbono e sustentabilidade a longo prazo), previsão de micro clima e identificação de culturas.
FarmVibes.ai vem com esses notebooks para ajudá -lo a começar a treinar modelos de fusão para combinar os conjuntos de dados geoespaciais em idéias robustas adaptadas para suas necessidades. Os usuários podem ajustar o modelo a um desempenho desejado e publicar o modelo em FarmVibes.ai. O modelo então aparece para ser usado posteriormente em um mecanismo de inferência que pode ser empregado para outras partes do mundo, outras datas ou mais.
A etapa final do FarmVibes.ai é combinar os conectores de dados, o pré-processamento e o modelo em um fluxo de trabalho de inferência robusto. O fluxo de trabalho gerado pode ser usado para executar a inferência em uma área de interesse e intervalo de tempo que pode ser passada como entrada para o fluxo de trabalho. FarmVibes.ai pode ser configurado de modo que ele execute a inferência para o intervalo de tempo e atualize os resultados sempre que os dados a montante são atualizados (por exemplo, novas imagens de satélite ou dados do sensor são adicionados). Você faz isso criando um fluxo de trabalho composto de fluxos de trabalho de preparação de dados e modelo de dados fundidos.
Atualmente, estamos de origem aberta do cluster FarmVibes.ai, que usa operadores de pré-construção e fluxos de trabalho e os executa localmente em sua máquina de ciência de dados. Isso significa que quaisquer dados gerados são persistidos localmente em sua máquina. Os fluxos de trabalho reais e suas implementações são fornecidos por imagens do Docker, com sua descrição disponível na documentação da lista de fluxo de trabalho.
O usuário pode interagir com o cluster FarmVibes.ai local por meio de uma API REST (em localhost) ou um cliente Python local (dentro de um notebook Jupyter, por exemplo).
Consulte o Guia do Quickstart para obter informações sobre onde começar. Se você preferir configurar uma máquina virtual do Azure dedicada para executar o farmvibes.ai, pode encontrar instruções detalhadas na documentação de configuração da VM.
Nos notebooks da pasta, existem vários exemplos para servir como pontos de partida e demonstrar como o farmvibes.ai pode ser usado para criar insights agrícolas. Alguns dos cadernos disponíveis são:
helloworld : Um exemplo simples de como usar o cliente para executar um fluxo de trabalho e visualizar a resposta.harvest_period : mostrando como uma série temporal NDVI calculada sobre os dados do Sentinel 2 pode ser obtida para um único campo e estação de plantio e usado para estimar datas de emergência e colheita.carbon : Ilustrando como simular diferentes estimativas de carbono do solo com base em diferentes práticas agrícolas, alavancando a API de fazenda cometa.deepmc : mostrando como se pode criar previsões de micro-clima a partir dos dados da estação meteorológica usando o modelo DeepMC.crop_segementation : Este exemplo mostra como treinar um modelo de identificação de culturas com base em dados NDVI calculados sobre o nosso modelo de geração de imagens sem nuvem SpaceEye. Neste exemplo, você também pode usar o modelo treinado em um fluxo de trabalho de inferência para obter previsões em qualquer área em que possamos gerar imagens SpaceEye.Fornecemos uma lista completa dos notebooks disponíveis e sua descrição em nossa documentação.
Informações mais detalhadas sobre os diferentes componentes podem ser encontradas na documentação FarmVibes.ai. Neste repositório, essas informações também são acessíveis em:
Este projeto recebe contribuições e sugestões. A maioria das contribuições exige que você concorde com um Contrato de Licença de Colaborador (CLA) declarando que você tem o direito e, na verdade, concede -nos os direitos de usar sua contribuição. Para detalhes, visite https://cla.opensource.microsoft.com.
Quando você envia uma solicitação de tração, um BOT do CLA determina automaticamente se você precisa fornecer um CLA e decorar o PR adequadamente (por exemplo, verificação de status, comentar). Simplesmente siga as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios usando nosso CLA.
Este projeto adotou o Código de Conduta Open Microsoft. Para obter mais informações, consulte o Código de Conduta Perguntas frequentes ou entre em contato com [email protected] com quaisquer perguntas ou comentários adicionais.
Este projeto pode conter marcas comerciais ou logotipos para projetos, produtos ou serviços. O uso autorizado de marcas comerciais ou logotipos da Microsoft está sujeito e deve seguir as diretrizes de marca registrada e marca da Microsoft. O uso de marcas comerciais da Microsoft ou logotipos em versões modificadas deste projeto não deve causar confusão ou implicar o patrocínio da Microsoft. Qualquer uso de marcas comerciais ou logotipos de terceiros estão sujeitas às políticas de terceiros.
