farmvibes ai

Farmvibes.ai: แบบจำลอง ML Multial Geospatial ML เพื่อการเกษตรและความยั่งยืน

ด้วย Farmvibes.ai คุณสามารถพัฒนาข้อมูลเชิงลึกเชิงพื้นที่ที่หลากหลายเพื่อการเกษตรและความยั่งยืน

สร้างโมเดลที่หลอมรวมชุดข้อมูลเชิงพื้นที่และ spatiotemporal หลายชุดเพื่อให้ได้ข้อมูลเชิงลึก (เช่นการประเมินค่าการปล่อยก๊าซคาร์บอนไดออกไซด์, เข้าใจอัตราการเติบโต, ตรวจจับการปฏิบัติตาม) ที่ยากที่จะได้รับเมื่อใช้ชุดข้อมูลเหล่านี้แยกกัน คุณสามารถหลอมรวมภาพดาวเทียมเข้าด้วยกัน (RGB, SAR, Multispectral), ภาพเสียงพึมพำ, ข้อมูลสภาพอากาศและอื่น ๆ

การหลอมรวมชุดข้อมูลด้วยวิธีนี้จะช่วยสร้างข้อมูลเชิงลึกที่แข็งแกร่งยิ่งขึ้นและปลดล็อกข้อมูลเชิงลึกใหม่ที่เป็นไปไม่ได้โดยไม่ต้องฟิวชั่น repo นี้มีเวิร์กโฟลว์ฟิวชั่นหลายอย่าง (เผยแพร่และแสดงให้เห็นว่าเป็นกุญแจสำคัญสำหรับปัญหาที่เกี่ยวข้องกับการเกษตร) ที่ช่วยให้คุณสร้างการสำรวจระยะไกลที่แข็งแกร่งการสังเกตการณ์โลกและแบบจำลองเชิงพื้นที่โดยมุ่งเน้นการเกษตร/การเกษตรอย่างง่ายดาย จุดสนใจหลักของเราในตอนนี้คือการเกษตรและความยั่งยืนซึ่งแบบจำลองได้รับการปรับให้เหมาะสม อย่างไรก็ตามเฟรมเวิร์กเองนั้นมีอยู่ทั่วไปพอที่จะช่วยคุณสร้างแบบจำลองสำหรับโดเมนอื่น ๆ

Farmvibes.ai Primer

มีสามชิ้นหลักสำหรับ farmvibes.ai อันแรกประกอบด้วยการบริโภคข้อมูลและเวิร์กโฟลว์ล่วงหน้าเพื่อช่วยเตรียมข้อมูลสำหรับแบบจำลองฟิวชั่นที่เหมาะกับการเกษตร นอกจากนี้เรายังให้ตัวอย่างสมุดบันทึกการฝึกอบรมแบบจำลองที่ไม่เพียง แต่อนุญาตให้กำหนดค่าการประมวลผลข้อมูลล่วงหน้า แต่ยังอนุญาตให้ปรับโมเดลที่มีอยู่ได้อย่างง่ายดาย ในที่สุดเครื่องมือคำนวณที่รองรับการบริโภคข้อมูลรวมถึงการปรับที่มีอยู่และการสร้างเวิร์กโฟลว์ใหม่ด้วยรุ่นที่ปรับแต่ง

FarmVibes.ai การเตรียมชุดข้อมูลพร้อมฟิวชั่นฟิวชั่น

ในขั้นตอนนี้คุณสามารถเลือกชุดข้อมูลที่คุณต้องการหลอมรวมเพื่อสร้างข้อมูลเชิงลึก farmvibes.ai มาพร้อมกับตัวดาวน์โหลดชุดข้อมูลมากมาย สิ่งเหล่านี้รวมถึงภาพดาวเทียมจาก Sentinel 1 และ 2, ข้อมูล Cropland ของสหรัฐอเมริกา, แผนที่ระดับความสูง USGS, ภาพ NAIP, ข้อมูลสภาพอากาศ NOAA, ข้อมูลสภาพอากาศส่วนตัวจากสภาพอากาศรอบข้าง นอกจากนี้คุณยังสามารถนำชุดข้อมูล rasterized ใด ๆ ที่คุณต้องการทำให้พวกเขาพร้อมฟิวชั่นสำหรับ farmvibes.ai (เช่นภาพเสียงพึมพำหรือภาพดาวเทียมอื่น ๆ ) และในอนาคตข้อมูลเซ็นเซอร์ที่กำหนดเอง (เช่นเซ็นเซอร์สภาพอากาศ)

เทคนิคสำคัญใน FarmVibes.ai คือการใช้เป็นอินพุตสำหรับข้อมูลรุ่น ML ที่เกินกว่าประเภทพื้นที่และเวลาที่อยู่ในตำแหน่งที่ตั้งอยู่ ตัวอย่างเช่นเมื่อตรวจจับไซโลเกรนจากภาพดาวเทียม (ติดป้ายเฉพาะในภาพออปติคัล) มันจะดีกว่าที่จะพึ่งพาออปติคัลและระดับความสูงและแถบเรดาร์ ในสถานการณ์นี้มันเป็นสิ่งสำคัญที่จะรวมโมเดลข้อมูลหลายอย่างเข้ากับหน่วยงานโครงสร้างพื้นฐานการเกษตรอื่น ๆ ที่รู้จักกันดี ในทำนองเดียวกันก็เป็นสิ่งสำคัญที่จะใช้เป็นอินพุตภาพของไซโลที่กำหนดในช่วงเวลาต่าง ๆ ของปีเพื่อช่วยสร้างแบบจำลองที่แข็งแกร่งยิ่งขึ้น รวมถึงข้อมูลจากสตรีมข้อมูลจำนวนมากในขณะที่ยังรวมข้อมูลประวัติจากสถานที่ใกล้เคียงหรือสถานที่ใกล้เคียงได้รับการแสดงเพื่อปรับปรุงความทนทานของแบบจำลองเชิงพื้นที่ (โดยเฉพาะอย่างยิ่งสำหรับผลผลิตการเจริญเติบโตและปัญหาการจำแนกประเภทพืช) Farmvibes.ai สร้างข้อมูลอินพุตดังกล่าวสำหรับโมเดลได้อย่างง่ายดายตามพารามิเตอร์ที่สามารถระบุได้

Farmvibes.ai ช่วยให้นักวิทยาศาสตร์ด้านข้อมูลสามารถนวดและ/หรือปรับชุดข้อมูลให้กับการตั้งค่าของพวกเขา การปรับแต่งถูกเปิดใช้งานผ่านเวิร์กโฟลว์ที่กำหนดค่าได้ซึ่งระบุไว้เป็นกราฟอะคิปลิคโดยตรงของเวิร์กโฟลว์การดาวน์โหลดข้อมูลและเวิร์กโฟลว์การเตรียมข้อมูล ตัวดำเนินการเตรียมช่วยสร้างอินพุต (เช่นอาร์เรย์แพนด้าที่หลอมรวมหรือเทนเซอร์ที่มีข้อมูลดิบทั้งหมด) ไปยังโมดูลการฝึกอบรมและการอนุมาน

Farmvibes.ai Model ตัวอย่างโน้ตบุ๊ก

ขั้นตอนต่อไปใน Farmvibes.ai เกี่ยวข้องกับการใช้สมุดบันทึก inbuilt เพื่อปรับโมเดลเพื่อให้ได้ระดับความแม่นยำสำหรับส่วนต่าง ๆ ของโลกหรือฤดูกาลที่คุณมุ่งเน้น ห้องสมุดรวมถึงสมุดบันทึกสำหรับการตรวจจับการปฏิบัติ (เช่นการตรวจจับวันที่เก็บเกี่ยว) การประเมินผลกระทบของสภาพภูมิอากาศ (ทั้งการปล่อยก๊าซคาร์บอนไดออกไซด์ตามฤดูกาลและความยั่งยืนในระยะยาว) การทำนายสภาพภูมิอากาศขนาดเล็กและการระบุพืชผล

Farmvibes.ai มาพร้อมกับสมุดบันทึกเหล่านี้เพื่อช่วยให้คุณเริ่มฝึกอบรมแบบจำลองฟิวชั่นเพื่อรวมชุดข้อมูลเชิงพื้นที่เข้ากับข้อมูลเชิงลึกที่แข็งแกร่งซึ่งเหมาะกับความต้องการของคุณ ผู้ใช้สามารถปรับโมเดลให้เข้ากับประสิทธิภาพที่ต้องการและเผยแพร่โมเดลไปยัง FarmVibes.ai จากนั้นโมเดลจะแสดงให้เห็นว่าจะใช้ในภายหลังในเอ็นจิ้นการอนุมานที่สามารถใช้สำหรับส่วนอื่น ๆ ของโลกวันอื่น ๆ หรือมากกว่า

Farmvibes.ai เอ็นจิ้นการอนุมาน

ขั้นตอนสุดท้ายใน FarmVibes.ai คือการรวมตัวเชื่อมต่อข้อมูลการประมวลผลล่วงหน้าและโมเดลชิ้นส่วนเข้าด้วยกันเป็นเวิร์กโฟลว์การอนุมานที่แข็งแกร่ง เวิร์กโฟลว์ที่สร้างขึ้นนั้นสามารถใช้สำหรับการอนุมานในพื้นที่ที่น่าสนใจและช่วงเวลาที่สามารถส่งผ่านเป็นอินพุตไปยังเวิร์กโฟลว์ Farmvibes.ai สามารถกำหนดค่าได้ว่าจะเรียกใช้การอนุมานสำหรับช่วงเวลาและอัปเดตผลลัพธ์เมื่อใดก็ตามที่ข้อมูลอัปสตรีมได้รับการอัปเดต (เช่นภาพดาวเทียมใหม่หรือข้อมูลเซ็นเซอร์ใหม่) คุณทำสิ่งนี้โดยการสร้างเวิร์กโฟลว์ที่ประกอบด้วยการเตรียมข้อมูลแบบหลอมรวมและเวิร์กโฟลว์โมเดลฟิวชั่น

โหมดการทำงาน

ปัจจุบันเรากำลังเปิดการจัดหาฟาร์มฟาร์มในท้องถิ่นซึ่งใช้ผู้ให้บริการก่อนสร้างและเวิร์กโฟลว์และทำงานในเครื่องบนเครื่องวิทยาศาสตร์ข้อมูลของคุณ ซึ่งหมายความว่าข้อมูลใด ๆ ที่สร้างขึ้นจะคงอยู่ในเครื่องของคุณ เวิร์กโฟลว์จริงและการใช้งานของพวกเขามีให้ผ่านภาพ Docker พร้อมคำอธิบายของพวกเขาในเอกสารรายการเวิร์กโฟลว์

ผู้ใช้สามารถโต้ตอบกับคลัสเตอร์ farmvibes.ai ในท้องถิ่นผ่าน API REST (ใน localhost) หรือไคลเอนต์ Python ท้องถิ่น (ภายในสมุดบันทึก Jupyter เป็นต้น)

การติดตั้ง

โปรดดูคู่มือ The QuickStart สำหรับข้อมูลเกี่ยวกับสถานที่เริ่มต้น หากคุณต้องการตั้งค่าเครื่องเสมือน Azure โดยเฉพาะเพื่อเรียกใช้ FarmVibes.ai คุณสามารถค้นหาคำแนะนำโดยละเอียดในเอกสารการตั้งค่า VM

ตัวอย่างสมุดบันทึก

ใน notebooks โฟลเดอร์มีหลายตัวอย่างที่จะทำหน้าที่เป็นจุดเริ่มต้นและแสดงให้เห็นว่า Farmvibes.a สามารถใช้เพื่อสร้างข้อมูลเชิงลึกด้านการเกษตรได้อย่างไร สมุดบันทึกที่มีอยู่บางเล่มคือ:

• helloworld : ตัวอย่างง่ายๆเกี่ยวกับวิธีการใช้ไคลเอนต์เพื่อเรียกใช้เวิร์กโฟลว์และแสดงภาพการตอบสนอง
• harvest_period : แสดงให้เห็นว่าซีรีย์เวลา NDVI ที่คำนวณได้จากข้อมูล Sentinel 2 สามารถรับข้อมูลได้อย่างไรสำหรับสนามเดียวและฤดูการปลูกและใช้ในการประเมินการเกิดขึ้นและวันที่เก็บเกี่ยว
• carbon : แสดงให้เห็นถึงวิธีการจำลองการประมาณคาร์บอนในดินที่แตกต่างกันตามแนวทางปฏิบัติด้านการเกษตรที่แตกต่างกันใช้ประโยชน์จากดาวหางฟาร์ม API
• deepmc : แสดงให้เห็นว่าเราสามารถสร้างการคาดการณ์สภาพภูมิอากาศขนาดเล็กจากข้อมูลสถานีสภาพอากาศโดยใช้โมเดล DeepMC ได้อย่างไร
• crop_segementation : ตัวอย่างนี้แสดงวิธีการฝึกอบรมรูปแบบการระบุพืชผลตามข้อมูล NDVI ที่คำนวณไว้ด้านบนของโมเดลการสร้างภาพคลาวด์ที่ไม่มีคลาวด์ของเรา ในตัวอย่างนี้คุณสามารถใช้แบบจำลองที่ผ่านการฝึกอบรมในเวิร์กโฟลว์การอนุมานเพื่อให้ได้การคาดการณ์ในพื้นที่ใด ๆ ที่เราสามารถสร้างภาพยานอวกาศได้

เราให้รายการโน้ตบุ๊กที่มีอยู่และคำอธิบายในเอกสารของเรา

เอกสาร

ข้อมูลรายละเอียดเพิ่มเติมเกี่ยวกับส่วนประกอบที่แตกต่างกันสามารถพบได้ในเอกสาร FarmVibes.AI ในที่เก็บข้อมูลนี้ข้อมูลนี้สามารถเข้าถึงได้ใน:

• Farmvibes_ai.md อธิบายวิธีการตั้งค่าและจัดการคลัสเตอร์ท้องถิ่น
• Workflows.md อธิบายวิธีการเขียนเวิร์กโฟลว์และวิธีการทำงาน
• client.md บันทึกไคลเอนต์ farmvibes.ai ซึ่งเป็นวิธีที่ต้องการในการเรียกใช้เวิร์กโฟลว์และโต้ตอบกับผลลัพธ์
• Secrets.md อธิบายวิธีการจัดการและส่งความลับไปยังคลัสเตอร์ (เช่นปุ่ม API) เพื่อให้พวกเขาจะพร้อมใช้งานเมื่อทำงานเวิร์กโฟลว์
• การแก้ไขปัญหา. md ในกรณีที่คุณพบปัญหาใด ๆ

การบริจาค

โครงการนี้ยินดีต้อนรับการมีส่วนร่วมและข้อเสนอแนะ การมีส่วนร่วมส่วนใหญ่กำหนดให้คุณต้องยอมรับข้อตกลงใบอนุญาตผู้มีส่วนร่วม (CLA) ประกาศว่าคุณมีสิทธิ์และทำจริงให้สิทธิ์ในการใช้เงินสมทบของคุณ สำหรับรายละเอียดเยี่ยมชม https://cla.opensource.microsoft.com

เมื่อคุณส่งคำขอดึง CLA บอทจะพิจารณาโดยอัตโนมัติว่าคุณจำเป็นต้องให้ CLA และตกแต่ง PR อย่างเหมาะสม (เช่นการตรวจสอบสถานะแสดงความคิดเห็น) เพียงทำตามคำแนะนำที่จัดทำโดยบอท คุณจะต้องทำสิ่งนี้เพียงครั้งเดียวใน repos ทั้งหมดโดยใช้ CLA ของเรา

โครงการนี้ได้นำรหัสการดำเนินงานของ Microsoft โอเพ่นซอร์สมาใช้ สำหรับข้อมูลเพิ่มเติมโปรดดูจรรยาบรรณคำถามที่พบบ่อยหรือติดต่อ [email protected] พร้อมคำถามหรือความคิดเห็นเพิ่มเติมใด ๆ

เครื่องหมายการค้า

โครงการนี้อาจมีเครื่องหมายการค้าหรือโลโก้สำหรับโครงการผลิตภัณฑ์หรือบริการ การใช้เครื่องหมายการค้าหรือโลโก้ของ Microsoft ที่ได้รับอนุญาตขึ้นอยู่กับและต้องปฏิบัติตามแนวทางเครื่องหมายการค้าและแบรนด์ของ Microsoft การใช้เครื่องหมายการค้าหรือโลโก้ของ Microsoft ในรุ่นที่แก้ไขของโครงการนี้จะต้องไม่ทำให้เกิดความสับสนหรือบอกเป็นสปอนเซอร์ของ Microsoft การใช้เครื่องหมายการค้าหรือโลโก้ของบุคคลที่สามจะอยู่ภายใต้นโยบายของบุคคลที่สามเหล่านั้น