farmvibes ai
1.0.0
С Farmvibes.ai вы можете развить богатую геопространственную информацию о сельском хозяйстве и устойчивости.
Создайте модели, которые объединяют множественные геопространственные и пространственно -временные наборы данных, чтобы получить понимание (например, оценка углеродного следа, понимание скорости роста, выявление последовавших за ними), которые будут трудно получить, когда эти наборы используются в изоляции. Вы можете объединить спутниковые снимки (RGB, SAR, мультиспектральные), изображения дронов, данные о погоде и многое другое.
Таким образом, слияние наборов данных помогает генерировать более надежные идеи и открывать новые идеи, которые в противном случае невозможны без слияния. Этот репо содержит несколько рабочих процессов слияния (опубликованные и показанные как ключевые проблемы, связанные с сельским хозяйством), которые помогают вам с легкостью создать надежное дистанционное зондирование, наблюдение за землей и геопространственные модели с фокусом на сельском хозяйстве/сельском хозяйстве. Наша основная цель сейчас - сельское хозяйство и устойчивость, для которых модели оптимизированы. Тем не менее, сама структура достаточно общая, чтобы помочь вам создать модели для других доменов.
Есть три основных предмета для Farmvibes.ai. Первый состоит из употребления данных и предварительных рабочих процессов, чтобы помочь подготовить данные для моделей слияния, адаптированных к сельскому хозяйству. Кроме того, мы предоставляем примеры для ноутбуков модели, которые не только позволяют конфигурации предварительной обработки данных, но и позволяем легко настройку существующих моделей. Наконец, вычислительный двигатель, который поддерживает проглатывание данных, а также регулирует существующие и создание новых рабочих процессов с настроенной моделью.
На этом этапе вы можете выбрать наборы данных, которые вы хотели бы объединить для создания понимания. Farmvibes.ai поставляется со многими загрузчиками данных. К ним относятся спутниковые снимки из Сентинеля 1 и 2, данные о пахотных землях США, карты возвышения USGS, изображения NAIP, данные о погоде NOAA, личные данные о погоде из окружающей среды. Кроме того, вы также можете привлечь любые растиленные наборы данных, которые вы хотите сделать, готовыми к слиянию для Farmvibes.ai (например, изображения беспилотников или другие спутниковые образы) и, в будущем, пользовательские данные датчиков (такие как датчики погоды).
Ключевой метод в Farmvibes.ai является использование в качестве входных данных для данных ML, которые выходят далеко за пределы типов, пространство и время, откуда расположены этикетки. Например, при обнаружении зерновых силосов из спутниковых изображений (помеченных только в оптических изображениях), лучше полагаться как на оптические, так и на полосы на высоту и радары. В этом сценарии также важно объединить несколько методов данных с другими известными организациями сельскохозяйственной инфраструктуры. Аналогичным образом, также важно использовать в качестве входных изображений данного силоса в различные времена года, чтобы помочь создать более надежную модель. Было показано, что информация из многих потоков данных, а также включает исторические данные из близлежащих или аналогичных мест, улучшает надежность геопространственных моделей (особенно для проблем урожая, роста и классификации урожая). Farmvibes.ai генерирует такие входные данные для моделей с легкостью на основе параметров, которые могут быть указаны.
Farmvibes.ai позволяет ученым -ученым массаж и/или настраивать наборы данных на свои предпочтения. Настройка включена с помощью настраиваемого рабочего процесса, который указан как направленный ациклический график рабочих процессов загрузки данных и рабочих процессов подготовки данных. Операторы подготовки помогают создавать входные данные (например, массивы пандов или тензоры, содержащие все необработанные данные) для модулей обучения и вывода.
Следующий шаг в Farmvibes.ai включает использование встроенных ноутбуков для настройки моделей для достижения уровня точности для частей мира или сезонов, на которых вы сосредоточены. Библиотека включает в себя записные книжки для обнаружения практик (например, обнаружение даты сбора урожая), оценку влияния климата (как сезонное углеродное след, так и долгосрочная устойчивость), прогноз микро -климата и идентификацию сельскохозяйственных культур.
Farmvibes.ai поставляется с этими ноутбуками, которые помогут вам начать обучение моделей Fusion, чтобы объединить наборы геопространственных данных в надежные идеи, адаптированные для ваших нужд. Пользователи могут настроить модель на желаемую производительность и опубликовать модель на Farmvibes.ai. Затем модель отображается позже в двигателе вывода, который может быть использован для других частей света, других дат или более.
Последний этап в Farmvibes.ai заключается в комбинировании разъемов данных, предварительной обработки и модели вместе в надежный рабочий процесс. Сгенерированный рабочий процесс может быть использован для выполнения вывода в интересующей области и диапазона времени, который можно передавать в качестве входных данных для рабочего процесса. Farmvibes.ai может быть настроен таким образом, чтобы затем выполняет вывод для диапазона времени и обновляет результаты всякий раз, когда обновляются данные вверх по течению (например, добавляются новые спутниковые изображения или данные датчика). Вы делаете это, создав рабочий процесс, который состоит из рабочих процессов подготовки данных и модели слияния.
В настоящее время мы с открытым исходным газом местного кластера Farmvibes.ai, в котором используются операторы и рабочие процессы до сборки и запускают их локально на вашей научной машине. Это означает, что любые сгенерированные данные сохраняются локально в вашей машине. Фактические рабочие процессы и их реализации предоставляются с помощью изображений Docker, а их описание доступно в документации списка рабочих процессов.
Пользователь может взаимодействовать с кластером Local Farmvibes.ai через API REST (в LocalHost) или локальным клиентом Python (например, в ноутбуке Jupyter).
Пожалуйста, обратитесь к руководству QuickStart для получения информации о том, где начать. Если вы предпочитаете настроить выделенную виртуальную машину Azure для запуска FarmVibes.ai, вы можете найти подробные инструкции в документации «Настройка виртуальной машины».
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. Некоторые из доступных ноутбуков:
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. В этом примере вы также можете использовать обученную модель в рабочем процессе вывода, чтобы получить прогнозы в любой области, где мы можем генерировать изображения Spaceyee.Мы предоставляем полный список доступных записей и их описание в нашей документации.
Более подробную информацию о различных компонентах можно найти в документации FarmVibes.ai. В этом репозитории эта информация также доступна в:
Этот проект приветствует вклады и предложения. Большинство взносов требуют, чтобы вы согласились с лицензионным соглашением о участнике (CLA), заявив, что вы имеете право и фактически предоставить нам права на использование вашего вклада. Для получения подробной информации, посетите https://cla.opensource.microsoft.com.
Когда вы отправляете запрос на привлечение, бот CLA автоматически определит, нужно ли вам предоставить CLA и правильно украсить PR (например, проверка состояния, комментарий). Просто следуйте инструкциям, предоставленным ботом. Вам нужно будет сделать это только один раз во всех репо, используя наш CLA.
Этот проект принял код поведения с открытым исходным кодом Microsoft. Для получения дополнительной информации см. Кодекс поведения FAQ или свяжитесь с [email protected] с любыми дополнительными вопросами или комментариями.
Этот проект может содержать товарные знаки или логотипы для проектов, продуктов или услуг. Уполномоченное использование товарных знаков или логотипов Microsoft подлежит и должно следовать указаниям Microsoft по товарной марке и брендам. Использование товарных знаков Microsoft или логотипов в модифицированных версиях этого проекта не должно вызывать путаницу или подразумевать спонсорство Microsoft. Любое использование сторонних товарных знаков или логотипов подвержена политике сторонних сторон.
