Metan (CH4) er en vigtig menneskeskabt drivhusgas, der blandt andet er et biprodukt fra olie- og gasudvinding, kulminedrift, storskala dyreavl og bortskaffelse af affald. Potentialet for global opvarmning af CH4 er 86 gange så stor som CO2 og det mellemstatslige panel om klimaændringer (IPCC) vurderer det metan er ansvarlig for 30 procent af den observerede globale opvarmning til dato. Hurtigt at reducere udsivningen af CH4 til atmosfæren er en kritisk komponent i kampen mod klimaændringer. I 2021 indførte FN Det globale metanløfte på Climate Change Conference (COP26), med et mål om at tage "hurtig handling på metan for at holde en 1.5C fremtid inden for rækkevidde." Løftet har 150 underskrivere inklusive USA og EU.
Tidlig påvisning og løbende overvågning af metankilder er en nøglekomponent i en meningsfuld indsats over for metan og er derfor ved at blive en bekymring for både politiske beslutningstagere og organisationer. Implementering af overkommelige, effektive metandetektionsløsninger i stor skala – såsom on-site metandetektorer eller flymonterede spektrometre – er udfordrende, da de ofte er upraktiske eller uoverkommeligt dyre. Fjernmåling ved hjælp af satellitter kan på den anden side give den globale, højfrekvente og omkostningseffektive detektionsfunktionalitet, som interessenterne ønsker.
I dette blogindlæg viser vi dig, hvordan du kan bruge Sentinel 2-satellitbilleder hostet på AWS Registry of Open Data i kombination med Amazon SageMaker geospatiale muligheder at opdage punktkilder til CH4-emissioner og overvåge dem over tid. Tegne på seneste fund fra jordobservationslitteraturen du vil lære, hvordan du kan implementere en tilpasset metandetektionsalgoritme og bruge den til at detektere og overvåge metanlækage fra en række forskellige steder over hele kloden. Dette indlæg inkluderer medfølgende kode på GitHub der giver yderligere tekniske detaljer og hjælper dig med at komme i gang med din egen metanovervågningsløsning.
Traditionelt var det en vanskelig, tidskrævende og ressourcekrævende opgave at udføre komplekse geospatiale analyser. Amazon SageMaker geospatiale muligheder gøre det nemmere for datavidenskabsfolk og maskinlæringsingeniører at bygge, træne og implementere modeller ved hjælp af geospatiale data. Ved at bruge SageMakers geospatiale muligheder kan du effektivt transformere eller berige store geospatiale datasæt, accelerere modelbygning med præ-trænede maskinlæringsmodeller (ML) og udforske modelforudsigelser og geospatiale data på et interaktivt kort ved hjælp af 3D-accelereret grafik og indbygget visualiseringsværktøjer.
Fjernmåling af metanpunktkilder ved hjælp af multispektrale satellitbilleder
Satellitbaserede metansensorer er typisk afhængige af CH4's unikke transmittansegenskaber. I det synlige spektrum har CH4 transmittansværdier lig med eller tæt på 1, hvilket betyder, at det ikke kan detekteres med det blotte øje. På tværs af visse bølgelængder absorberer metan imidlertid lys (transmittans <1), en egenskab, som kan udnyttes til detektionsformål. Til dette vælges typisk det korte bølgelængde infrarøde (SWIR) spektrum (1500-2500 nm spektralområde), hvilket er hvor CH4 er mest påviselig. Hyper- og multispektrale satellitmissioner (det vil sige dem med optiske instrumenter, der fanger billeddata inden for flere bølgelængdeområder (bånd) på tværs af det elektromagnetiske spektrum) dækker disse SWIR-områder og repræsenterer derfor potentielle detektionsinstrumenter. Figur 1 plotter transmittansegenskaberne for metan i SWIR-spektret og SWIR-dækningen af forskellige kandidat-multispektrale satellitinstrumenter (tilpasset fra denne undersøgelse).
Figur 1 – Transmissionskarakteristika for metan i SWIR-spektret og dækning af Sentinel-2 multispektrale missioner
Mange multispektrale satellitmissioner er begrænset enten af en lav genbesøgsfrekvens (f.eks. PRISMA Hyperspektral 16 dage) eller ved lav rumlig opløsning (f.eks. Vagtpost 5 ved 7.5 km x 7.5 km). Omkostningerne ved at få adgang til data er en yderligere udfordring: nogle dedikerede konstellationer fungerer som kommercielle missioner, hvilket potentielt gør CH4-emissionsindsigt mindre tilgængelig for forskere, beslutningstagere og andre berørte parter på grund af økonomiske begrænsninger. ESA'er Sentinel-2 multispektral mission, som denne løsning er baseret på, skaber en passende balance mellem genbesøgshastighed (ca. 5 dage), rumlig opløsning (ca. 20 m) og åben adgang (hostet på AWS register over åbne data).
Sentinel-2 har to bånd, der dækker SWIR-spektret (ved en opløsning på 20 m): bånd-11 (1610 nm central bølgelængde) og bånd-12 (2190 nm central bølgelængde). Begge bånd er velegnede til methan-detektion, mens bånd-12 har signifikant højere følsomhed over for CH4-absorption (se figur 1). Intuitivt er der to mulige tilgange til at bruge disse SWIR-reflektansdata til methan-detektion. For det første kan du fokusere på kun et enkelt SWIR-bånd (ideelt set det, der er mest følsomt over for CH4-absorption) og beregne pixel-for-pixel-forskellen i reflektans på tværs af to forskellige satellitpassager. Alternativt bruger du data fra et enkelt satellitpas til detektion ved at bruge de to tilstødende spektrale SWIR-bånd, der har lignende overflade- og aerosolreflektansegenskaber, men har forskellige metanabsorptionsegenskaber.
Detektionsmetoden, vi implementerer i dette blogindlæg, kombinerer begge tilgange. Vi trækker på seneste fund fra jordobservationslitteraturen og beregne den fraktionelle ændring i top-of-the-atmosphere (TOA) reflektans Δρ (det vil sige reflektans målt af Sentinel-2 inklusive bidrag fra atmosfæriske aerosoler og gasser) mellem to satellitpassager og de to SWIR-bånd; et basislinjepas, hvor der ikke er metan til stede (base) og et overvågningspas, hvor der er mistanke om en aktiv metanpunktkilde (monitor). Matematisk kan dette udtrykkes som følger:
hvor ρ er TOA-reflektansen målt ved Sentinel-2, covervåge og cbund beregnes ved at regressere TOA-reflektansværdierne for bånd-12 mod dem for bånd-11 på tværs af hele scenen (det vil sige ρb11 = c * ρb12). For flere detaljer henvises til denne undersøgelse vedr højfrekvent overvågning af anomale metanpunktkilder med multispektrale Sentinel-2 satellitobservationer.
Implementer en metandetektionsalgoritme med SageMaker geospatiale muligheder
For at implementere metandetektionsalgoritmen bruger vi SageMaker geospatiale notesbog i Amazon SageMaker Studio. Den geospatiale notesbogskerne er forududstyret med essentielle geospatiale biblioteker som f.eks GDAL, Geopandas, velskabt, xarrayog Rasterio, der muliggør direkte visualisering og behandling af geospatiale data i Python-notebook-miljøet. Se den Kom godt i gang guide for at lære, hvordan du begynder at bruge SageMakers geospatiale muligheder.
SageMaker giver en specialbygget API designet til at lette hentning af satellitbilleder gennem en konsolideret grænseflade ved hjælp af SearchRasterDataCollection API-kald. SearchRasterDataCollection
er afhængig af følgende inputparametre:
Arn
: Amazon-ressourcenavnet (ARN) for den forespurgte rasterdataindsamlingAreaOfInterest
: Et polygonobjekt (i GeoJSON-format), der repræsenterer området af interesse for søgeforespørgslenTimeRangeFilter
: Definerer tidsintervallet for interesse, angivet som{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Supplerende egenskabsfiltre, såsom specifikationer for maksimalt acceptabelt skydække, kan også indbygges
Denne metode understøtter forespørgsler fra forskellige rasterdatakilder, som kan udforskes ved at kalde ListRasterDataCollections. Vores implementering af metandetektion bruger Sentinel-2 satellitbilleder, som kan refereres globalt ved hjælp af følgende ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Denne ARN repræsenterer Sentinel-2-billeder, som er blevet behandlet til niveau 2A (overfladereflektans, atmosfærisk korrigeret). Til metandetektionsformål vil vi bruge top-of-atmosphere (TOA) reflektansdata (niveau 1C), som ikke inkluderer overfladeniveau atmosfæriske korrektioner, der ville gøre ændringer i aerosolsammensætning og tæthed (det vil sige metanlækager) uopdagelige .
For at identificere potentielle emissioner fra en specifik punktkilde har vi brug for to inputparametre: koordinaterne for den formodede punktkilde og et udpeget tidsstempel for metan-emissionsovervågning. I betragtning af at SearchRasterDataCollection
API bruger polygoner eller multi-polygoner til at definere et område af interesse (AOI), vores tilgang involverer at udvide punktkoordinaterne til en afgrænsningsramme først og derefter bruge den polygon til at forespørge efter Sentinel-2-billeder ved hjælp af SearchRasterDateCollection
.
I dette eksempel overvåger vi en kendt metanlækage, der stammer fra et oliefelt i det nordlige Afrika. Dette er et standard valideringstilfælde i fjernmålingslitteraturen og refereres f.eks. i denne undersøgelse. En fuldt eksekverbar kodebase findes på amazon-sagemaker-eksempler GitHub-depot. Her fremhæver vi kun udvalgte kodesektioner, der repræsenterer de vigtigste byggesten til implementering af en methan-detektionsløsning med SageMaker geospatiale muligheder. Se lageret for yderligere detaljer.
Vi starter med at initialisere koordinaterne og målet for overvågningsdatoen for eksempelsagen.
#coordinates and date for North Africa oil field
#see here for reference: https://doi.org/10.5194/amt-14-2771-2021
point_longitude = 5.9053
point_latitude = 31.6585
target_date = '2019-11-20'
#size of bounding box in each direction around point
distance_offset_meters = 1500
Følgende kodestykke genererer et afgrænsningsfelt for de givne punktkoordinater og udfører derefter en søgning efter det tilgængelige Sentinel-2-billede baseret på afgrænsningsrammen og den angivne overvågningsdato:
def bbox_around_point(lon, lat, distance_offset_meters): #Equatorial radius (km) taken from https://nssdc.gsfc.nasa.gov/planetary/factsheet/earthfact.html earth_radius_meters = 6378137 lat_offset = math.degrees(distance_offset_meters / earth_radius_meters) lon_offset = math.degrees(distance_offset_meters / (earth_radius_meters * math.cos(math.radians(lat)))) return geometry.Polygon([ [lon - lon_offset, lat - lat_offset], [lon - lon_offset, lat + lat_offset], [lon + lon_offset, lat + lat_offset], [lon + lon_offset, lat - lat_offset], [lon - lon_offset, lat - lat_offset], ]) #generate bounding box and extract polygon coordinates
aoi_geometry = bbox_around_point(point_longitude, point_latitude, distance_offset_meters)
aoi_polygon_coordinates = geometry.mapping(aoi_geometry)['coordinates'] #set search parameters
search_params = { "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # Sentinel-2 L2 data "RasterDataCollectionQuery": { "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_polygon_coordinates } } }, "TimeRangeFilter": { "StartTime": "{}T00:00:00Z".format(as_iso_date(target_date)), "EndTime": "{}T23:59:59Z".format(as_iso_date(target_date)) } },
}
#query raster data using SageMaker geospatial capabilities
sentinel2_items = geospatial_client.search_raster_data_collection(**search_params)
Svaret indeholder en liste over matchende Sentinel-2 elementer og deres tilsvarende metadata. Disse omfatter Cloud-optimerede GeoTIFF'er (COG) for alle Sentinel-2 bånd, såvel som thumbnail billeder for en hurtig forhåndsvisning af billedets visuelle bånd. Det er naturligvis også muligt at få adgang til satellitbilledet i fuld opløsning (RGB-plot), vist i figur 2, der følger.
Figur 2 – Satellitbillede (RGB-plot) af AOI
Som tidligere beskrevet er vores detektionstilgang afhængig af fraktionelle ændringer i top-of-the-atmosphere (TOA) SWIR-reflektans. For at dette kan fungere, er identifikation af en god baseline afgørende. At finde en god baseline kan hurtigt blive en kedelig proces, der involverer masser af forsøg og fejl. Men god heuristik kan gå langt i at automatisere denne søgeproces. En søgeheuristik, der har fungeret godt for tidligere undersøgte sager, er som følger: for fortiden day_offset=n
dage, hent alle satellitbilleder, fjern eventuelle skyer og klip billedet til AOI'en i omfang. Beregn derefter den gennemsnitlige bånd-12-reflektans på tværs af AOI. Returner Sentinel-flise-id'et for billedet med den højeste gennemsnitlige reflektans i bånd-12.
Denne logik er implementeret i følgende kodeuddrag. Dens begrundelse er afhængig af, at bånd-12 er meget følsomt over for CH4-absorption (se figur 1). En større gennemsnitlig reflektansværdi svarer til en lavere absorption fra kilder såsom metanemissioner og giver derfor en stærk indikation for en emissionsfri baselinescene.
def approximate_best_reference_date(lon, lat, date_to_monitor, distance_offset=1500, cloud_mask=True, day_offset=30): #initialize AOI and other parameters aoi_geometry = bbox_around_point(lon, lat, distance_offset) BAND_12_SWIR22 = "B12" max_mean_swir = None ref_s2_tile_id = None ref_target_date = date_to_monitor #loop over n=day_offset previous days for day_delta in range(-1 * day_offset, 0): date_time_obj = datetime.strptime(date_to_monitor, '%Y-%m-%d') target_date = (date_time_obj + timedelta(days=day_delta)).strftime('%Y-%m-%d') #get Sentinel-2 tiles for current date s2_tiles_for_target_date = get_sentinel2_meta_data(target_date, aoi_geometry) #loop over available tiles for current date for s2_tile_meta in s2_tiles_for_target_date: s2_tile_id_to_test = s2_tile_meta['Id'] #retrieve cloud-masked (optional) L1C band 12 target_band_data = get_s2l1c_band_data_xarray(s2_tile_id_to_test, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) #compute mean reflectance of SWIR band mean_swir = target_band_data.sum() / target_band_data.count() #ensure the visible/non-clouded area is adequately large visible_area_ratio = target_band_data.count() / (target_band_data.shape[1] * target_band_data.shape[2]) if visible_area_ratio <= 0.7: #<-- ensure acceptable cloud cover continue #update maximum ref_s2_tile_id and ref_target_date if applicable if max_mean_swir is None or mean_swir > max_mean_swir: max_mean_swir = mean_swir ref_s2_tile_id = s2_tile_id_to_test ref_target_date = target_date return (ref_s2_tile_id, ref_target_date)
Ved at bruge denne metode kan vi anslå en passende basisdato og tilsvarende Sentinel-2-felt-id. Sentinel-2-brikke-id'er indeholder information om mission-id'et (Sentinel-2A/Sentinel-2B), det unikke feltnummer (såsom 32SKA) og datoen, billedet blev taget, blandt andre oplysninger og identificerer entydigt en observation (dvs. , en scene). I vores eksempel foreslår tilnærmelsesprocessen 6. oktober 2019 (Sentinel-2-flise: S2B_32SKA_20191006_0_L2A
), som den bedst egnede basiskandidat.
Dernæst kan vi beregne den korrigerede fraktionelle ændring i reflektans mellem basisdatoen og den dato, vi gerne vil overvåge. Korrektionsfaktorerne c (se ligning 1 foran) kan beregnes med følgende kode:
def compute_correction_factor(tif_y, tif_x): #get flattened arrays for regression y = np.array(tif_y.values.flatten()) x = np.array(tif_x.values.flatten()) np.nan_to_num(y, copy=False) np.nan_to_num(x, copy=False) #fit linear model using least squares regression x = x[:,np.newaxis] #reshape c, _, _, _ = np.linalg.lstsq(x, y, rcond=None) return c[0]
Den fulde implementering af ligning 1 er givet i følgende kodestykke:
def compute_corrected_fractional_reflectance_change(l1_b11_base, l1_b12_base, l1_b11_monitor, l1_b12_monitor): #get correction factors c_monitor = compute_correction_factor(tif_y=l1_b11_monitor, tif_x=l1_b12_monitor) c_base = compute_correction_factor(tif_y=l1_b11_base, tif_x=l1_b12_base) #get corrected fractional reflectance change frac_change = ((c_monitor*l1_b12_monitor-l1_b11_monitor)/l1_b11_monitor)-((c_base*l1_b12_base-l1_b11_base)/l1_b11_base) return frac_change
Endelig kan vi pakke ovenstående metoder ind i en ende-til-ende-rutine, der identificerer AOI for en given længde- og breddegrad, overvågningsdato og basislinjefelt, erhverver de nødvendige satellitbilleder og udfører beregningen af fraktioneret reflektansændring.
def run_full_fractional_reflectance_change_routine(lon, lat, date_monitor, baseline_s2_tile_id, distance_offset=1500, cloud_mask=True): #get bounding box aoi_geometry = bbox_around_point(lon, lat, distance_offset) #get S2 metadata s2_meta_monitor = get_sentinel2_meta_data(date_monitor, aoi_geometry) #get tile id grid_id = baseline_s2_tile_id.split("_")[1] s2_tile_id_monitor = list(filter(lambda x: f"_{grid_id}_" in x["Id"], s2_meta_monitor))[0]["Id"] #retrieve band 11 and 12 of the Sentinel L1C product for the given S2 tiles l1_swir16_b11_base = get_s2l1c_band_data_xarray(baseline_s2_tile_id, BAND_11_SWIR16, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir22_b12_base = get_s2l1c_band_data_xarray(baseline_s2_tile_id, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir16_b11_monitor = get_s2l1c_band_data_xarray(s2_tile_id_monitor, BAND_11_SWIR16, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir22_b12_monitor = get_s2l1c_band_data_xarray(s2_tile_id_monitor, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) #compute corrected fractional reflectance change frac_change = compute_corrected_fractional_reflectance_change( l1_swir16_b11_base, l1_swir22_b12_base, l1_swir16_b11_monitor, l1_swir22_b12_monitor ) return frac_change
Kørsel af denne metode med de parametre, vi bestemte tidligere, giver den fraktionelle ændring i SWIR TOA-reflektans som en xarray.DataArray. Vi kan udføre en første visuel inspektion af resultatet ved at køre en simpel plot()
invokation på dette dataarray. Vores metode afslører tilstedeværelsen af en metanfane i midten af AOI, der var uopdagelig i RGB-plot set tidligere.
Figur 3 – Fraktionel reflektansændring i TOA-reflektans (SWIR-spektrum)
Som et sidste trin udtrækker vi den identificerede metanfane og overlægger den på et rå RGB-satellitbillede for at give den vigtige geografiske kontekst. Dette opnås ved tærskelværdi, som kan implementeres som vist i følgende:
def get_plume_mask(change_in_reflectance_tif, threshold_value): cr_masked = change_in_reflectance_tif.copy() #set values above threshold to nan cr_masked[cr_masked > treshold_value] = np.nan #apply mask on nan values plume_tif = np.ma.array(cr_masked, mask=cr_masked==np.nan) return plume_tif
For vores tilfælde giver en tærskel på -0.02 fraktioneret ændring i reflektans gode resultater, men dette kan ændre sig fra scene til scene, og du bliver nødt til at kalibrere dette til din specifikke brug. Figur 4, der følger, illustrerer, hvordan faneoverlejringen genereres ved at kombinere det rå satellitbillede af AOI med den maskerede fane til et enkelt sammensat billede, der viser metanfanen i dens geografiske kontekst.
Figur 4 – RGB-billede, fraktioneret reflektansændring i TOA-reflektans (SWIR-spektrum) og metanfane-overlay for AOI
Løsningsvalidering med metan-emissionshændelser i den virkelige verden
Som et sidste trin evaluerer vi vores metode for dens evne til korrekt at detektere og lokalisere metanlækager fra en række kilder og geografier. Først bruger vi et eksperiment med kontrolleret metanfrigivelse, der er specielt designet til validering af rumbaseret punktkildedetektering og kvantificering af methanemissioner på land. I dette 2021-eksperiment udførte forskere adskillige metanfrigivelser i Ehrenberg, Arizona over en 19-dages periode. At køre vores detektionsmetode for et af Sentinel-2-passagen i løbet af det forsøg giver følgende resultat, der viser en metanfane:
Figur 5 - Metanfane-intensiteter for Arizona-eksperiment med kontrolleret frigivelse
Den fane, der genereres under den kontrollerede frigivelse, er tydeligt identificeret af vores detektionsmetode. Det samme gælder for andre kendte lækager fra den virkelige verden (i figur 6, der følger) fra kilder såsom en losseplads i Østasien (til venstre) eller et olie- og gasanlæg i Nordamerika (til højre).
Figur 6 - Metanfaneintensiteter for en østasiatisk losseplads (til venstre) og et olie- og gasfelt i Nordamerika (højre)
Kort sagt kan vores metode hjælpe med at identificere metan-emissioner både fra kontrollerede udslip og fra forskellige virkelige punktkilder over hele kloden. Dette fungerer bedst for punktkilder på land med begrænset omgivende vegetation. Det virker ikke til off-shore scener pga den høje absorption (det vil sige lav transmittans) af SWIR-spektret af vand. I betragtning af at den foreslåede detektionsalgoritme er afhængig af variationer i metanintensitet, kræver vores metode også præ-lækageobservationer. Dette kan gøre overvågning af lækager med konstante emissionsrater udfordrende.
Ryd op
For at undgå at pådrage sig uønskede afgifter, efter at et metanovervågningsjob er afsluttet, skal du sørge for at afslutte SageMaker-forekomsten og slette eventuelle uønskede lokale filer.
Konklusion
Ved at kombinere SageMaker geospatiale muligheder med åbne geospatiale datakilder kan du implementere dine egne meget tilpassede fjernovervågningsløsninger i stor skala. Dette blogindlæg fokuserede på metandetektion, et fokusområde for regeringer, ngo'er og andre organisationer, der søger at opdage og i sidste ende undgå skadelige methanemissioner. Du kan komme i gang i dag på din egen rejse ind i geospatial analyse ved at oprette en notesbog med SageMaker geospatiale kerne og implementere din egen detektionsløsning. Se den GitHub repository for at komme i gang med at bygge din egen satellitbaserede metandetektionsløsning. Tjek også ud salviemager-eksempler repository for yderligere eksempler og tutorials om, hvordan man bruger SageMaker geospatiale muligheder i andre virkelige fjernmålingsapplikationer.
Om forfatterne
Dr. Karsten Schroer er Solutions Architect hos AWS. Han støtter kunder i at udnytte data og teknologi til at fremme bæredygtigheden af deres it-infrastruktur og bygge cloud-native datadrevne løsninger, der muliggør bæredygtig drift i deres respektive vertikaler. Karsten kom til AWS efter sine ph.d.-studier i anvendt machine learning & operations management. Han brænder virkelig for teknologi-aktiverede løsninger på samfundsmæssige udfordringer og elsker at dykke dybt ned i de metoder og applikationsarkitekturer, der ligger til grund for disse løsninger.
Janosch Woschitz er Senior Solutions Architect hos AWS med speciale i geospatial AI/ML. Med over 15 års erfaring støtter han kunder globalt i at udnytte AI og ML til innovative løsninger, der udnytter geospatiale data. Hans ekspertise spænder over machine learning, data engineering og skalerbare distribuerede systemer, suppleret med en stærk baggrund inden for software engineering og brancheekspertise inden for komplekse domæner såsom autonom kørsel.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 100
- 11
- 12
- 15 år
- 15 %
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- evne
- Om
- over
- fremskynde
- accelereret
- acceptabel
- adgang
- Adgang
- opnået
- Overtager
- tværs
- Handling
- aktiv
- Yderligere
- tilstrækkeligt
- tilstødende
- overkommelige
- afrika
- Efter
- mod
- AI
- AI / ML
- algoritme
- ens
- Alle
- tillader
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon SageMaker Studio
- Amazon Web Services
- amerika
- blandt
- an
- Analyser
- analytics
- ,
- dyr
- enhver
- api
- anvendelig
- Anvendelse
- applikationer
- anvendt
- tilgang
- tilgange
- passende
- omtrentlig
- cirka
- ER
- OMRÅDE
- arizona
- omkring
- Array
- AS
- asia
- asiatisk
- At
- Atmosfære
- atmosfærisk
- augmented
- Automatisering
- autonom
- til rådighed
- gennemsnit
- undgå
- AWS
- baggrund
- Balance
- BAND
- bund
- baseret
- Baseline
- BE
- bliver
- blive
- været
- BEDSTE
- mellem
- Blocks
- Blog
- både
- Boks
- bygge
- Bygning
- indbygget
- men
- by
- beregnet
- ringe
- CAN
- Kan få
- kandidat
- kapaciteter
- kapitalisere
- fange
- bære
- tilfælde
- tilfælde
- center
- central
- vis
- udfordre
- udfordringer
- udfordrende
- lave om
- Ændringer
- karakteristika
- afgifter
- kontrollere
- valgt
- tydeligt
- Klima
- Klima forandring
- Luk
- Cloud
- Kul
- kode
- kodebase
- kombination
- kombinerer
- kombinerer
- kommerciel
- Afsluttet
- komplekse
- komponent
- sammensætning
- beregning
- Compute
- Bekymring
- pågældende
- Konference
- konstant
- begrænsninger
- indeholder
- sammenhæng
- fortsæt
- bidrag
- kontrolleret
- korrigeret
- Rettelser
- korrekt
- Tilsvarende
- svarer
- Koste
- omkostningseffektiv
- kunne
- dæksel
- dækning
- kritisk
- afgørende
- Nuværende
- skik
- Kunder
- tilpassede
- data
- datastyret
- datasæt
- Dato
- dato tid
- Dage
- beslutning
- dedikeret
- dyb
- definere
- definerer
- indsætte
- udpeget
- konstrueret
- ønske
- detail
- detaljeret
- detaljer
- opdage
- Detektion
- bestemmes
- forskel
- forskellige
- svært
- direkte
- retning
- bortskaffelse
- distribueret
- distribuerede systemer
- dyk
- gør
- Er ikke
- Domæner
- tegne
- tegning
- køre
- kørsel
- grund
- i løbet af
- hver
- tidligere
- jorden
- lettere
- Øst
- Effektiv
- effektivt
- enten
- emission
- Emissioner
- muliggøre
- muliggør
- ende til ende
- Engineering
- Ingeniører
- berige
- sikre
- Hele
- Miljø
- lige
- fejl
- ESA
- væsentlig
- skøn
- EU
- evaluere
- eksempel
- eksempler
- ekspanderende
- dyrt
- erfaring
- eksperiment
- ekspertise
- Exploited
- udforske
- udforsket
- udtrykt
- ekstrakt
- udvinding
- øje
- lette
- Facility
- Faktisk
- faktorer
- landbrug
- felt
- kæmpe
- Figur
- Filer
- Filtre
- endelige
- finansielle
- finde
- fund
- Fornavn
- brændvidde
- Fokus
- fokuserede
- efter
- følger
- Til
- format
- fraktioneret
- Gratis
- Frekvens
- fra
- fuld
- fuldt ud
- funktionalitet
- yderligere
- fremtiden
- GAS
- genereret
- genererer
- geografiske
- geografier
- få
- GitHub
- given
- Global
- Globalt
- kloden
- Go
- mål
- godt
- regeringer
- grafik
- større
- hånd
- skadelig
- Have
- he
- hjælpe
- hjælper
- link.
- Høj
- Høj frekvens
- højere
- højeste
- Fremhæv
- stærkt
- hans
- hostede
- Hvordan
- How To
- Men
- HTML
- HTTPS
- ID
- ideelt
- Identifikation
- identificeret
- identificerer
- identificere
- id'er
- if
- illustrerer
- billede
- billeder
- gennemføre
- implementering
- implementeret
- gennemføre
- in
- I andre
- omfatter
- omfatter
- Herunder
- tegn
- industrien
- oplysninger
- Infrastruktur
- innovativ
- indgang
- indsigt
- instans
- instrumenter
- interaktiv
- interesse
- grænseflade
- ind
- introduceret
- IT
- Varer
- ITS
- Job
- sluttede
- rejse
- jpg
- lige
- Holde
- Nøgle
- kendt
- l2
- stor
- storstilet
- lække
- Lækager
- LÆR
- læring
- mindst
- til venstre
- mindre
- Niveau
- løftestang
- biblioteker
- lys
- ligesom
- Limited
- Liste
- litteratur
- lokale
- logik
- Lang
- elsker
- Lav
- lavere
- maskine
- machine learning
- større
- lave
- Makers
- Making
- ledelse
- kort
- maske
- matchende
- matematik
- matematisk
- maksimal
- betyde
- betyder
- meningsfuld
- Metadata
- metan
- metan-emissioner
- Metanlækage
- metode
- metoder
- Mining
- Mission
- missioner
- ML
- model
- modeller
- Overvåg
- overvågning
- mere
- mest
- flere
- navn
- Nasa
- Natur
- Behov
- Ngo'er
- ingen
- Ingen
- Nord
- nordamerika
- notesbog
- nummer
- objekt
- observation
- oktober
- oktober 6
- of
- tit
- Olie
- Olie og gas
- on
- ONE
- igangværende
- kun
- åbent
- betjene
- Produktion
- or
- organisationer
- Oprindelig
- Andet
- vores
- ud
- i løbet af
- egen
- panel
- parametre
- parter
- passerer
- gennemløb
- lidenskabelige
- forbi
- procent
- Udfør
- udføres
- udfører
- periode
- phd
- plato
- Platon Data Intelligence
- PlatoData
- Løfte
- Masser
- Punkt
- politik
- Politiske beslutningstagere
- Polygon
- mulig
- Indlæg
- potentiale
- potentielt
- Forudsigelser
- tilstedeværelse
- præsentere
- Eksempel
- tidligere
- tidligere
- behandle
- Behandlet
- forarbejdning
- producerer
- Produkt
- egenskaber
- ejendom
- foreslog
- give
- forudsat
- giver
- formål
- Python
- kvantificering
- Hurtig
- hurtigt
- rækkevidde
- hurtigt
- Sats
- priser
- rationale
- Raw
- nå
- let
- virkelige verden
- reducere
- henvise
- henvisningen
- region
- register
- frigive
- Udgivelser
- stole
- fjern
- Fjern
- Repository
- repræsentere
- repræsenterer
- repræsenterer
- påkrævet
- Kræver
- forskere
- Løsning
- ressource
- ressourceintensive
- dem
- svar
- ansvarlige
- resultere
- Resultater
- afkast
- afslører
- RGB
- højre
- rutine
- kører
- s
- sagemaker
- samme
- satellit
- satellitter
- skalerbar
- Scale
- scene
- scener
- forskere
- rækkevidde
- Søg
- sektioner
- se
- søger
- set
- valgt
- senior
- følsom
- Følsomhed
- Tjenester
- flere
- Kort
- Vis
- vist
- Shows
- betydeligt
- lignende
- Simpelt
- enkelt
- Websteder
- uddrag
- samfundsmæssigt
- Software
- software Engineering
- løsninger
- Løsninger
- nogle
- Kilde
- Kilder
- rumbaseret
- spændvidder
- rumlige
- speciale
- specifikke
- specifikt
- specifikationer
- specificeret
- Spektral
- Spectrum
- firkanter
- interessenter
- standard
- starte
- påbegyndt
- Trin
- Strejker
- stærk
- undersøgelser
- Studio
- Studere
- sådan
- foreslår
- egnede
- Understøtter
- overflade
- Omkringliggende
- Bæredygtighed
- bæredygtig
- Systemer
- Tag
- taget
- mål
- Teknisk
- Teknologier
- at
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- denne
- dem
- tærskel
- Gennem
- tid
- tidskrævende
- gange
- tidsstempel
- til
- værelse
- i dag
- værktøjer
- Tog
- Transform
- retssag
- sand
- virkelig
- tutorials
- to
- typisk
- os
- Ultimativt
- Underliggende
- enestående
- entydigt
- uønsket
- us
- brug
- brug tilfælde
- bruger
- ved brug af
- validering
- værdi
- Værdier
- række
- forskellige
- vertikaler
- synlig
- visualisering
- var
- Affald
- Vej..
- we
- web
- webservices
- GODT
- som
- mens
- vilje
- med
- inden for
- Arbejde
- arbejdede
- virker
- ville
- wrap
- X
- år
- udbytter
- Du
- Din
- zephyrnet