farmvibes ai

farmvibes.ai：農業和可持續性的多模式地理空間ML模型

使用farmvibes.ai，您可以為農業和可持續性發展豐富的地理空間見解。

構建模型，融合多個地理空間和時空數據集以獲得見解（例如估計碳足跡，了解增長率，檢測實踐），當這些數據集用於隔離時，這將很難獲得。您可以將衛星圖像（RGB，SAR，多光譜），無人機圖像，天氣數據等融合在一起。

通過這種方式進行融合數據集有助於生成更強大的見解，並解鎖新的見解，而這些新見解是不可能的，而沒有融合。該倉庫包含幾個融合工作流（已發布並顯示為與農業相關的問題的關鍵），可幫助您輕鬆地構建強大的遙感，地球觀察和地理空間模型，以輕鬆地側重於農業/農業。我們現在的主要重點是農業和可持續性，模型已優化。但是，該框架本身足夠通用，可以幫助您為其他域建立模型。

farmvibes.ai底漆

farmvibes.ai有三個主要作品。第一個由數據攝入和預處理工作流程組成，以幫助準備針對農業量身定制的融合模型的數據。此外，我們還提供模型培訓筆記本示例，不僅允許對數據進行預處理的配置，而且還允許輕鬆調整現有模型。最後，通過調諧模型來支持數據攝入並調整現有的新工作流程的計算引擎。

farmvibes.ai融合準備的數據集準備

在此步驟中，您可以選擇要融合的數據集以構建洞察力。 farmvibes.ai附帶許多數據集下載器。其中包括哨兵1和2的衛星圖像，美國農田數據，USGS高程圖，NAIP圖像，NOAA天氣數據，來自環境天氣的私人天氣數據。此外，您還可以引入任何需要使它們融合為farmvibes.ai（例如無人機圖像或其他衛星圖像）以及將來的定制傳感器數據（例如天氣傳感器）的所有柵格化數據集。

farmvibes.ai中的關鍵技術是用作ML模型數據的輸入，這些數據超出了標籤所在的類型，空間和時間。例如，當從衛星圖像中檢測穀物孤島（僅在光學圖像中標記）時，最好依靠光學以及高程和雷達帶。在這種情況下，將多種數據模式與其他已知的農業基礎設施實體相結合也很重要。同樣，在一年中的不同時間內輸入給定筒倉的圖像也很重要，以幫助產生更健壯的模型。包括來自許多數據流的信息，同時還包含來自附近或類似位置的歷史數據，以改善地理空間模型的魯棒性（尤其是對於產量，生長和農作物分類問題）。 farmvibes.ai根據可以指定的參數輕鬆地生成了模型的輸入數據。

farmvibes.ai使數據科學家可以按摩和/或將數據集按照其偏好為單位。通過可配置的工作流程啟用了調整，該工作流程被指定為數據下載工作流程和數據準備工作流程的有向無環圖。準備操作員有助於創建輸入（例如，融合了包含所有原始數據的PANDAS數組或張量）來培訓和推理模塊。

farmvibes.ai模型樣本筆記本庫

farmvibes.ai的下一步涉及使用內置的筆記本計算模型，以達到您關注的世界各地或季節的準確性。該圖書館包括用於檢測實踐的筆記本（例如收穫日期檢測），估算氣候影響（季節性碳足跡和長期可持續性），微氣候預測和作物鑑定。

farmvibes.ai附帶這些筆記本，以幫助您開始訓練融合模型，以將地理空間數據集結合到滿足您需求的強大見解中。用戶可以將模型調整為期望的性能，並將模型發佈到farmvibes.ai。然後，該模型顯示在以後在推理引擎中使用，該推理引擎可用於世界其他地區，其他日期或更多。

farmvibes.ai推理引擎

farmvibes.ai的最後階段是將數據連接器，預處理和模型零件組合在一起，並將其組合在一起。然後，生成的工作流程可用於在感興趣的領域和時間範圍內執行推斷，該領域可以作為輸入傳遞到工作流程。可以配置farmvibes.ai，以便在更新上游數據時對時間範圍進行推斷，並更新結果（例如，添加了新的衛星圖像或傳感器數據）。您可以通過創建由融合數據準備和融合模型工作流程組成的工作流程來做到這一點。

操作模式

目前，我們正在開放式farmvibes.ai群集，該集群使用前構建操作員和工作流程，並在您的數據科學機器上本地運行它們。這意味著生成的任何數據都在您的計算機中持續存在。實際的工作流及其實現是通過Docker Images提供的，其描述在工作流列表文檔中可用。

用戶可以通過REST API（在Localhost）或本地Python客戶端（例如，在Jupyter筆記本中）與本地farmvibes.ai群集進行交互。

安裝

請參閱《 Quickstart指南》以獲取有關入門地點的信息。如果您希望設置專用的Azure虛擬機來運行farmvibes.ai，則可以在VM設置文檔中找到詳細說明。

筆記本示例

在文件夾notebooks中，有幾個示例可以用作起點，並演示如何使用farmvibes.ai來創建農業見解。一些可用的筆記本是：

• helloworld ：關於如何使用客戶端運行工作流和可視化響應的一個簡單示例。
• harvest_period ：顯示如何在單個田地和種植季節獲得在Sentinel 2數據上計算的NDVI時間序列，並用於估計出現和收穫日期。
• carbon ：說明如何根據不同的農業實踐模擬不同的土壤碳估計，利用彗星農場API。
• deepmc ：顯示如何使用DEEPMC模型從氣象站數據中構建微氣候預測。
• crop_segementation ：此示例顯示瞭如何基於在我們的無雲圖像生成模型上計算出的NDVI數據訓練作物識別模型。在此示例中，您還可以在推理工作流程中使用訓練有素的模型，以在我們能夠生成SpaceEye圖像的任何領域獲得預測。

我們在文檔中提供了可用的筆記本及其描述的完整列表。

文件

有關不同組件的更多詳細信息可以在farmvibes.ai文檔中找到。在此存儲庫中，此信息也可訪問：

• farmvibes_ai.md描述瞭如何設置和管理本地群集。
• Workflows.md描述瞭如何寫入工作流以及它們的功能。
• client.md記錄farmvibes.ai客戶端，這是運行工作流程並與結果互動的首選方法。
• secrets.md描述瞭如何將秘密管理和傳遞到群集（例如API鍵），以便在運行工作流程時可用。
• 如果您遇到任何問題，請進行故障排除。md。

貢獻

該項目歡迎貢獻和建議。大多數捐款要求您同意撰寫貢獻者許可協議（CLA），宣布您有權並實際上授予我們使用您的貢獻的權利。有關詳細信息，請訪問https://cla.opensource.microsoft.com。

當您提交拉動請求時，CLA機器人將自動確定您是否需要提供CLA並適當裝飾PR（例如狀態檢查，評論）。只需按照機器人提供的說明即可。您只需要使用我們的CLA在所有存儲庫中進行一次。

該項目採用了Microsoft開源的行為代碼。有關更多信息，請參見《行為守則常見問題守則》或與其他問題或評論聯繫[email protected]。

商標

該項目可能包含用於項目，產品或服務的商標或徽標。 Microsoft商標或徽標的授權使用受到了Microsoft的商標和品牌準則的約束。在此項目的修改版本中使用Microsoft商標或徽標不得引起混亂或暗示Microsoft贊助。任何使用第三方商標或徽標都遵守這些第三方政策。