farmvibes ai

farmvibes.ai：农业和可持续性的多模式地理空间ML模型

使用farmvibes.ai，您可以为农业和可持续性发展丰富的地理空间见解。

构建模型，融合多个地理空间和时空数据集以获得见解（例如估计碳足迹，了解增长率，检测实践），当这些数据集用于隔离时，这将很难获得。您可以将卫星图像（RGB，SAR，多光谱），无人机图像，天气数据等融合在一起。

通过这种方式进行融合数据集有助于生成更强大的见解，并解锁新的见解，而这些新见解是不可能的，而没有融合。该仓库包含几个融合工作流（已发布并显示为与农业相关的问题的关键），可帮助您轻松地构建强大的遥感，地球观察和地理空间模型，以轻松地侧重于农业/农业。我们现在的主要重点是农业和可持续性，模型已优化。但是，该框架本身足够通用，可以帮助您为其他域建立模型。

farmvibes.ai底漆

farmvibes.ai有三个主要作品。第一个由数据摄入和预处理工作流程组成，以帮助准备针对农业量身定制的融合模型的数据。此外，我们还提供模型培训笔记本示例，不仅允许对数据进行预处理的配置，而且还允许轻松调整现有模型。最后，通过调谐模型来支持数据摄入并调整现有的新工作流程的计算引擎。

farmvibes.ai融合准备的数据集准备

在此步骤中，您可以选择要融合的数据集以构建洞察力。 farmvibes.ai附带许多数据集下载器。其中包括哨兵1和2的卫星图像，美国农田数据，USGS高程图，NAIP图像，NOAA天气数据，来自环境天气的私人天气数据。此外，您还可以引入任何需要使它们融合为farmvibes.ai（例如无人机图像或其他卫星图像）以及将来的定制传感器数据（例如天气传感器）的所有栅格化数据集。

farmvibes.ai中的关键技术是用作ML模型数据的输入，这些数据超出了标签所在的类型，空间和时间。例如，当从卫星图像中检测谷物孤岛（仅在光学图像中标记）时，最好依靠光学以及高程和雷达带。在这种情况下，将多种数据模式与其他已知的农业基础设施实体相结合也很重要。同样，在一年中的不同时间内输入给定筒仓的图像也很重要，以帮助产生更健壮的模型。包括来自许多数据流的信息，同时还包含来自附近或类似位置的历史数据，以改善地理空间模型的鲁棒性（尤其是对于产量，生长和农作物分类问题）。 farmvibes.ai根据可以指定的参数轻松地生成了模型的输入数据。

farmvibes.ai使数据科学家可以按摩和/或将数据集按照其偏好为单位。通过可配置的工作流程启用了调整，该工作流程被指定为数据下载工作流程和数据准备工作流程的有向无环图。准备操作员有助于创建输入（例如，融合了包含所有原始数据的PANDAS数组或张量）来培训和推理模块。

farmvibes.ai模型样本笔记本库

farmvibes.ai的下一步涉及使用内置的笔记本计算模型，以达到您关注的世界各地或季节的准确性。该图书馆包括用于检测实践的笔记本（例如收获日期检测），估算气候影响（季节性碳足迹和长期可持续性），微气候预测和作物鉴定。

farmvibes.ai附带这些笔记本，以帮助您开始训练融合模型，以将地理空间数据集结合到满足您需求的强大见解中。用户可以将模型调整为期望的性能，并将模型发布到farmvibes.ai。然后，该模型显示在以后在推理引擎中使用，该推理引擎可用于世界其他地区，其他日期或更多。

farmvibes.ai推理引擎

farmvibes.ai的最后阶段是将数据连接器，预处理和模型零件组合在一起，并将其组合在一起。然后，生成的工作流程可用于在感兴趣的领域和时间范围内执行推断，该领域可以作为输入传递到工作流程。可以配置farmvibes.ai，以便在更新上游数据时对时间范围进行推断，并更新结果（例如，添加了新的卫星图像或传感器数据）。您可以通过创建由融合数据准备和融合模型工作流程组成的工作流程来做到这一点。

操作模式

目前，我们正在开放式farmvibes.ai群集，该集群使用前构建操作员和工作流程，并在您的数据科学机器上本地运行它们。这意味着生成的任何数据都在您的计算机中持续存在。实际的工作流及其实现是通过Docker Images提供的，其描述在工作流列表文档中可用。

用户可以通过REST API（在Localhost）或本地Python客户端（例如，在Jupyter笔记本中）与本地farmvibes.ai群集进行交互。

安装

请参阅《 Quickstart指南》以获取有关入门地点的信息。如果您希望设置专用的Azure虚拟机来运行farmvibes.ai，则可以在VM设置文档中找到详细说明。

笔记本示例

在文件夹notebooks中，有几个示例可以用作起点，并演示如何使用farmvibes.ai来创建农业见解。一些可用的笔记本是：

• helloworld ：关于如何使用客户端运行工作流和可视化响应的一个简单示例。
• harvest_period ：显示如何在单个田地和种植季节获得在Sentinel 2数据上计算的NDVI时间序列，并用于估计出现和收获日期。
• carbon ：说明如何根据不同的农业实践模拟不同的土壤碳估计，利用彗星农场API。
• deepmc ：显示如何使用DEEPMC模型从气象站数据中构建微气候预测。
• crop_segementation ：此示例显示了如何基于在我们的无云图像生成模型上计算出的NDVI数据训练作物识别模型。在此示例中，您还可以在推理工作流程中使用训练有素的模型，以在我们能够生成SpaceEye图像的任何领域获得预测。

我们在文档中提供了可用的笔记本及其描述的完整列表。

文档

有关不同组件的更多详细信息可以在farmvibes.ai文档中找到。在此存储库中，此信息也可访问：

• farmvibes_ai.md描述了如何设置和管理本地群集。
• Workflows.md描述了如何写入工作流以及它们的功能。
• client.md记录farmvibes.ai客户端，这是运行工作流程并与结果互动的首选方法。
• secrets.md描述了如何将秘密管理和传递到群集（例如API键），以便在运行工作流程时可用。
• 如果您遇到任何问题，请进行故障排除。md。

贡献

该项目欢迎贡献和建议。大多数捐款要求您同意撰写贡献者许可协议（CLA），宣布您有权并实际上授予我们使用您的贡献的权利。有关详细信息，请访问https://cla.opensource.microsoft.com。

当您提交拉动请求时，CLA机器人将自动确定您是否需要提供CLA并适当装饰PR（例如状态检查，评论）。只需按照机器人提供的说明即可。您只需要使用我们的CLA在所有存储库中进行一次。

该项目采用了Microsoft开源的行为代码。有关更多信息，请参见《行为守则常见问题守则》或与其他问题或评论联系[email protected]。

商标

该项目可能包含用于项目，产品或服务的商标或徽标。 Microsoft商标或徽标的授权使用受到了Microsoft的商标和品牌准则的约束。在此项目的修改版本中使用Microsoft商标或徽标不得引起混乱或暗示Microsoft赞助。任何使用第三方商标或徽标都遵守这些第三方政策。