Το μεθάνιο (CH4) είναι ένα σημαντικό ανθρωπογενές αέριο θερμοκηπίου που είναι υποπροϊόν της εξόρυξης πετρελαίου και φυσικού αερίου, της εξόρυξης άνθρακα, της εκτροφής ζώων μεγάλης κλίμακας και της διάθεσης απορριμμάτων, μεταξύ άλλων πηγών. Το δυναμικό υπερθέρμανσης του πλανήτη Το CH4 είναι 86 φορές μεγαλύτερο από το CO2 και η Διακυβερνητική Επιτροπή για την Κλιματική Αλλαγή (IPCC) εκτιμά ότι Το μεθάνιο ευθύνεται για το 30 τοις εκατό της παρατηρούμενης υπερθέρμανσης του πλανήτη μέχρι σήμερα. Η ταχεία μείωση της διαρροής CH4 στην ατμόσφαιρα αποτελεί κρίσιμο συστατικό για την καταπολέμηση της κλιματικής αλλαγής. Το 2021, ο ΟΗΕ εισήγαγε Η παγκόσμια υπόσχεση μεθανίου στη Διάσκεψη για την Κλιματική Αλλαγή (COP26), με στόχο να αναλάβουμε «γρήγορες ενέργειες για το μεθάνιο για να διατηρήσουμε ένα μέλλον 1.5 C προσιτό». Η υπόσχεση έχει 150 υπογράφοντες συμπεριλαμβανομένων των ΗΠΑ και της ΕΕ.
Η έγκαιρη ανίχνευση και η συνεχής παρακολούθηση των πηγών μεθανίου είναι ένα βασικό συστατικό μιας ουσιαστικής δράσης για το μεθάνιο και ως εκ τούτου αποτελεί ανησυχία τόσο για τους υπεύθυνους χάραξης πολιτικής όσο και για τους οργανισμούς. Εφαρμογή προσιτών, αποτελεσματικών λύσεων ανίχνευσης μεθανίου σε κλίμακα – όπως επιτόπιοι ανιχνευτές μεθανίου ή φασματόμετρα τοποθετημένα σε αεροσκάφη – είναι προκλητική, καθώς είναι συχνά μη πρακτικά ή απαγορευτικά ακριβά. Η τηλεπισκόπηση χρησιμοποιώντας δορυφόρους, από την άλλη πλευρά, μπορεί να προσφέρει τη λειτουργία ανίχνευσης παγκόσμιας κλίμακας, υψηλής συχνότητας και οικονομικής απόδοσης που επιθυμούν οι ενδιαφερόμενοι.
Σε αυτήν την ανάρτηση ιστολογίου, σας δείχνουμε πώς μπορείτε να χρησιμοποιήσετε Δορυφορικές εικόνες Sentinel 2 που φιλοξενούνται στο AWS Registry of Open Data σε συνδυασμό με Γεωχωρικές δυνατότητες του Amazon SageMaker να ανιχνεύει σημειακές πηγές εκπομπών CH4 και να τις παρακολουθεί με την πάροδο του χρόνου. Αντλωντας απο πρόσφατα ευρήματα από τη βιβλιογραφία για την παρατήρηση της γης θα μάθετε πώς μπορείτε να εφαρμόσετε έναν προσαρμοσμένο αλγόριθμο ανίχνευσης μεθανίου και να τον χρησιμοποιήσετε για να ανιχνεύσετε και να παρακολουθείτε τη διαρροή μεθανίου από μια ποικιλία τοποθεσιών σε όλο τον κόσμο. Αυτή η ανάρτηση περιλαμβάνει συνοδευτικό κώδικα στο GitHub που παρέχει πρόσθετες τεχνικές λεπτομέρειες και σας βοηθά να ξεκινήσετε με τη δική σας λύση παρακολούθησης μεθανίου.
Παραδοσιακά, η εκτέλεση σύνθετων γεωχωρικών αναλύσεων ήταν μια δύσκολη, χρονοβόρα και έντασης πόρων εγχείρημα. Γεωχωρικές δυνατότητες του Amazon SageMaker διευκολύνουν τους επιστήμονες δεδομένων και τους μηχανικούς μηχανικής μάθησης να κατασκευάζουν, να εκπαιδεύουν και να αναπτύσσουν μοντέλα χρησιμοποιώντας γεωχωρικά δεδομένα. Χρησιμοποιώντας τις γεωχωρικές δυνατότητες του SageMaker, μπορείτε να μετασχηματίσετε ή να εμπλουτίσετε αποτελεσματικά γεωχωρικά δεδομένα μεγάλης κλίμακας, να επιταχύνετε τη δημιουργία μοντέλων με προεκπαιδευμένα μοντέλα μηχανικής μάθησης (ML) και να εξερευνήσετε προβλέψεις μοντέλων και γεωχωρικά δεδομένα σε έναν διαδραστικό χάρτη χρησιμοποιώντας τρισδιάστατα επιταχυνόμενα γραφικά και ενσωματωμένα εργαλεία οπτικοποίησης.
Τηλεπισκόπηση σημειακών πηγών μεθανίου με χρήση πολυφασματικών δορυφορικών εικόνων
Οι προσεγγίσεις ανίχνευσης μεθανίου που βασίζονται σε δορυφόρους βασίζονται συνήθως στα μοναδικά χαρακτηριστικά μετάδοσης του CH4. Στο ορατό φάσμα, το CH4 έχει τιμές μετάδοσης ίσες ή κοντά στο 1, που σημαίνει ότι είναι μη ανιχνεύσιμο με γυμνό μάτι. Σε ορισμένα μήκη κύματος, ωστόσο, το μεθάνιο απορροφά το φως (διαπερατότητα <1), μια ιδιότητα που μπορεί να αξιοποιηθεί για σκοπούς ανίχνευσης. Για αυτό, τυπικά επιλέγεται το υπέρυθρο φάσμα μικρού μήκους κύματος (SWIR) (φασματική περιοχή 1500–2500 nm), όπου το CH4 είναι πιο ανιχνεύσιμο. Οι υπερ- και πολυφασματικές δορυφορικές αποστολές (δηλαδή, αυτές με οπτικά όργανα που καταγράφουν δεδομένα εικόνας σε πολλαπλές περιοχές μηκών κύματος (ζώνες) σε όλο το ηλεκτρομαγνητικό φάσμα) καλύπτουν αυτές τις περιοχές SWIR και επομένως αντιπροσωπεύουν δυνητικά όργανα ανίχνευσης. Το σχήμα 1 απεικονίζει τα χαρακτηριστικά μετάδοσης του μεθανίου στο φάσμα SWIR και την κάλυψη SWIR διαφόρων υποψήφιων πολυφασματικών δορυφορικών οργάνων (προσαρμοσμένο από αυτό μελέτη).
Σχήμα 1 – Χαρακτηριστικά διαπερατότητας μεθανίου στο φάσμα SWIR και κάλυψη αποστολών πολλαπλών φασμάτων Sentinel-2
Πολλές πολυφασματικές δορυφορικές αποστολές περιορίζονται είτε από χαμηλή συχνότητα επανεπίσκεψης (για παράδειγμα, PRISMA Υπερφασματικό σε περίπου 16 ημέρες) ή με χαμηλή χωρική ανάλυση (για παράδειγμα, Φρουρός 5 στα 7.5 km x 7.5 km). Το κόστος πρόσβασης στα δεδομένα είναι μια πρόσθετη πρόκληση: ορισμένοι αποκλειστικοί αστερισμοί λειτουργούν ως εμπορικές αποστολές, καθιστώντας πιθανώς λιγότερο άμεσα διαθέσιμες τις πληροφορίες για τις εκπομπές CH4 σε ερευνητές, υπεύθυνους λήψης αποφάσεων και άλλα ενδιαφερόμενα μέρη λόγω οικονομικών περιορισμών. της ESA Πολυφασματική αποστολή Sentinel-2, στην οποία βασίζεται αυτή η λύση, επιτυγχάνει την κατάλληλη ισορροπία μεταξύ του ρυθμού επανεπίσκεψης (περίπου 5 ημέρες), της χωρικής ανάλυσης (περίπου 20 m) και της ανοιχτής πρόσβασης (φιλοξενείται στο Μητρώο Ανοικτών Δεδομένων AWS).
Το Sentinel-2 έχει δύο ζώνες που καλύπτουν το φάσμα SWIR (σε ανάλυση 20 m): ζώνη-11 (κεντρικό μήκος κύματος 1610 nm) και ζώνη-12 (κεντρικό μήκος κύματος 2190 nm). Και οι δύο ζώνες είναι κατάλληλες για ανίχνευση μεθανίου, ενώ η ζώνη-12 έχει σημαντικά υψηλότερη ευαισθησία στην απορρόφηση του CH4 (βλ. Εικόνα 1). Διαισθητικά υπάρχουν δύο πιθανές προσεγγίσεις για τη χρήση αυτών των δεδομένων ανάκλασης SWIR για την ανίχνευση μεθανίου. Πρώτον, θα μπορούσατε να εστιάσετε σε μία μόνο ζώνη SWIR (ιδανικά αυτή που είναι πιο ευαίσθητη στην απορρόφηση CH4) και να υπολογίσετε τη διαφορά ανάκλασης pixel προς pixel σε δύο διαφορετικά δορυφορικά περάσματα. Εναλλακτικά, χρησιμοποιείτε δεδομένα από ένα μόνο δορυφορικό πέρασμα για ανίχνευση χρησιμοποιώντας τις δύο παρακείμενες φασματικές ζώνες SWIR που έχουν παρόμοιες ιδιότητες ανάκλασης επιφάνειας και αερολύματος αλλά έχουν διαφορετικά χαρακτηριστικά απορρόφησης μεθανίου.
Η μέθοδος ανίχνευσης που εφαρμόζουμε σε αυτήν την ανάρτηση ιστολογίου συνδυάζει και τις δύο προσεγγίσεις. Αντλούμε πρόσφατα ευρήματα από τη βιβλιογραφία για την παρατήρηση της γης και να υπολογίσετε την κλασματική αλλαγή στην ανάκλαση Δρ της κορυφής της ατμόσφαιρας (TOA) (δηλαδή, η ανάκλαση που μετράται από το Sentinel-2 συμπεριλαμβανομένων των συνεισφορών από ατμοσφαιρικά αερολύματα και αέρια) μεταξύ δύο δορυφορικών περασμάτων και των δύο ζωνών SWIR. ένα πέρασμα γραμμής αναφοράς όπου δεν υπάρχει μεθάνιο (βάση) και ένα πέρασμα παρακολούθησης όπου υπάρχει υποψία ενεργού σημειακής πηγής μεθανίου (παρακολούθηση). Μαθηματικά, αυτό μπορεί να εκφραστεί ως εξής:
όπου ρ είναι η ανακλαστικότητα TOA όπως μετρήθηκε από το Sentinel-2, γμηνυτής και γβάση υπολογίζονται με παλινδρόμηση των τιμών ανάκλασης TOA της ζώνης-12 έναντι εκείνων της ζώνης-11 σε ολόκληρη τη σκηνή (δηλαδή, ρb11 = γ * ρb12). Για περισσότερες λεπτομέρειες, ανατρέξτε σε αυτή τη μελέτη στο παρακολούθηση υψηλής συχνότητας ανώμαλων σημειακών πηγών μεθανίου με πολυφασματικές δορυφορικές παρατηρήσεις Sentinel-2.
Εφαρμόστε έναν αλγόριθμο ανίχνευσης μεθανίου με γεωχωρικές δυνατότητες SageMaker
Για να εφαρμόσουμε τον αλγόριθμο ανίχνευσης μεθανίου, χρησιμοποιούμε το γεωχωρικό σημειωματάριο SageMaker στο Amazon SageMaker Studio. Ο πυρήνας του γεωχωρικού σημειωματάριου είναι προεξοπλισμένος με βασικές γεωχωρικές βιβλιοθήκες όπως π.χ. GDAL, GeoPandas, Εύμορφος, xarray, να Ραστεριό, επιτρέποντας την άμεση οπτικοποίηση και επεξεργασία γεωχωρικών δεδομένων εντός του περιβάλλοντος σημειωματάριου Python. Δείτε το ξεκινώντας οδηγός για να μάθετε πώς να αρχίσετε να χρησιμοποιείτε τις γεωχωρικές δυνατότητες του SageMaker.
Το SageMaker παρέχει ένα ειδικά σχεδιασμένο API έχει σχεδιαστεί για να διευκολύνει την ανάκτηση δορυφορικών εικόνων μέσω μιας ενοποιημένης διεπαφής που χρησιμοποιεί το SearchRasterDataCollection Κλήση API. SearchRasterDataCollection
βασίζεται στις ακόλουθες παραμέτρους εισόδου:
Arn
: Το όνομα πόρου Amazon (ARN) της συλλογής δεδομένων ράστερ για το ερώτημαAreaOfInterest
: Ένα αντικείμενο πολυγώνου (σε μορφή GeoJSON) που αντιπροσωπεύει την περιοχή ενδιαφέροντος για το ερώτημα αναζήτησηςTimeRangeFilter
: Ορίζει το χρονικό εύρος ενδιαφέροντος, που συμβολίζεται ως{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Μπορούν επίσης να ενσωματωθούν συμπληρωματικά φίλτρα ιδιοκτησίας, όπως προδιαγραφές για μέγιστη αποδεκτή κάλυψη νέφους
Αυτή η μέθοδος υποστηρίζει ερωτήματα από διάφορες πηγές δεδομένων ράστερ που μπορούν να εξερευνηθούν με κλήση ListRasterDataCollections. Η εφαρμογή μας για την ανίχνευση μεθανίου χρησιμοποιεί Δορυφορικές εικόνες Sentinel-2, η οποία μπορεί να γίνει παγκόσμια αναφορά χρησιμοποιώντας το ακόλουθο ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Αυτό το ARN αντιπροσωπεύει εικόνες Sentinel-2, οι οποίες έχουν υποστεί επεξεργασία στο επίπεδο 2A (ανακλαστικότητα επιφάνειας, ατμοσφαιρικά διορθωμένη). Για σκοπούς ανίχνευσης μεθανίου, θα χρησιμοποιήσουμε δεδομένα ανάκλασης κορυφής της ατμόσφαιρας (TOA) (Επίπεδο 1C), τα οποία δεν περιλαμβάνουν τις ατμοσφαιρικές διορθώσεις της στάθμης της επιφάνειας που θα καθιστούσαν μη ανιχνεύσιμες αλλαγές στη σύνθεση και την πυκνότητα του αερολύματος (δηλαδή τις διαρροές μεθανίου). .
Για να εντοπίσουμε πιθανές εκπομπές από μια συγκεκριμένη σημειακή πηγή, χρειαζόμαστε δύο παραμέτρους εισόδου: τις συντεταγμένες της ύποπτης σημειακής πηγής και μια καθορισμένη χρονική σήμανση για την παρακολούθηση εκπομπών μεθανίου. Δεδομένου ότι το SearchRasterDataCollection
Το API χρησιμοποιεί πολύγωνα ή πολλά πολύγωνα για να ορίσει μια περιοχή ενδιαφέροντος (AOI). Η προσέγγισή μας περιλαμβάνει την επέκταση των συντεταγμένων σημείων σε ένα πλαίσιο οριοθέτησης πρώτα και στη συνέχεια τη χρήση αυτού του πολυγώνου για την αναζήτηση εικόνων Sentinel-2 χρησιμοποιώντας SearchRasterDateCollection
.
Σε αυτό το παράδειγμα, παρακολουθούμε μια γνωστή διαρροή μεθανίου που προέρχεται από ένα κοίτασμα πετρελαίου στη Βόρεια Αφρική. Αυτή είναι μια τυπική περίπτωση επικύρωσης στη βιβλιογραφία τηλεπισκόπησης και αναφέρεται, για παράδειγμα, στο αυτό μελέτη. Μια πλήρως εκτελέσιμη βάση κώδικα παρέχεται στο amazon-sagemaker-παραδείγματα αποθετήριο GitHub. Εδώ, επισημαίνουμε μόνο επιλεγμένες ενότητες κώδικα που αντιπροσωπεύουν τα βασικά δομικά στοιχεία για την εφαρμογή μιας λύσης ανίχνευσης μεθανίου με γεωχωρικές δυνατότητες SageMaker. Δείτε το αποθετήριο για περισσότερες λεπτομέρειες.
Ξεκινάμε αρχικοποιώντας τις συντεταγμένες και την ημερομηνία παρακολούθησης στόχου για την περίπτωση του παραδείγματος.
#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
Το ακόλουθο απόσπασμα κώδικα δημιουργεί ένα πλαίσιο οριοθέτησης για τις δεδομένες συντεταγμένες σημείων και στη συνέχεια πραγματοποιεί αναζήτηση για τις διαθέσιμες εικόνες Sentinel-2 με βάση το πλαίσιο οριοθέτησης και την καθορισμένη ημερομηνία παρακολούθησης:
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)
Η απάντηση περιέχει μια λίστα αντιστοιχιών στοιχείων Sentinel-2 και τα αντίστοιχα μεταδεδομένα τους. Αυτά περιλαμβάνουν GeoTIFF βελτιστοποιημένα για το νέφος (COG) για όλους Sentinel-2 μπάντες, καθώς thumbnail εικόνες για μια γρήγορη προεπισκόπηση των οπτικών ζωνών της εικόνας. Φυσικά, είναι επίσης δυνατή η πρόσβαση στη δορυφορική εικόνα πλήρους ανάλυσης (γραφική παράσταση RGB), που φαίνεται στο Σχήμα 2 που ακολουθεί.
Εικόνα 2 – Δορυφορική εικόνα (γραφική παράσταση RGB) του AOI
Όπως αναφέρθηκε προηγουμένως, η προσέγγισή μας ανίχνευσης βασίζεται σε κλασματικές αλλαγές στην ανάκλαση SWIR στην κορυφή της ατμόσφαιρας (TOA). Για να λειτουργήσει αυτό, ο προσδιορισμός μιας καλής γραμμής βάσης είναι ζωτικής σημασίας. Η εύρεση μιας καλής γραμμής βάσης μπορεί γρήγορα να γίνει μια κουραστική διαδικασία που περιλαμβάνει πολλές δοκιμές και λάθη. Ωστόσο, η καλή ευρετική μπορεί να βοηθήσει πολύ στην αυτοματοποίηση αυτής της διαδικασίας αναζήτησης. Μια ευρετική αναζήτηση που λειτούργησε καλά για υποθέσεις που διερευνήθηκαν στο παρελθόν είναι η εξής: για το παρελθόν day_offset=n
ημέρες, ανακτήστε όλες τις δορυφορικές εικόνες, αφαιρέστε τυχόν σύννεφα και κόψτε την εικόνα στο AOI σε εμβέλεια. Στη συνέχεια, υπολογίστε τη μέση ανάκλαση ζώνης-12 σε όλο το AOI. Επιστρέψτε το αναγνωριστικό πλακιδίων Sentinel της εικόνας με την υψηλότερη μέση ανάκλαση στη ζώνη-12.
Αυτή η λογική υλοποιείται στο παρακάτω απόσπασμα κώδικα. Η λογική του βασίζεται στο γεγονός ότι η ζώνη-12 είναι εξαιρετικά ευαίσθητη στην απορρόφηση του CH4 (βλ. Εικόνα 1). Μια μεγαλύτερη μέση τιμή ανάκλασης αντιστοιχεί σε χαμηλότερη απορρόφηση από πηγές όπως οι εκπομπές μεθανίου και επομένως παρέχει μια ισχυρή ένδειξη για μια σκηνή βάσης χωρίς εκπομπές.
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)
Η χρήση αυτής της μεθόδου μας επιτρέπει να προσεγγίσουμε μια κατάλληλη ημερομηνία αναφοράς και το αντίστοιχο αναγνωριστικό πλακιδίων Sentinel-2. Τα αναγνωριστικά πλακιδίων Sentinel-2 φέρουν πληροφορίες για το αναγνωριστικό αποστολής (Sentinel-2A/Sentinel-2B), τον μοναδικό αριθμό πλακιδίου (όπως, 32SKA) και την ημερομηνία λήψης της εικόνας μεταξύ άλλων πληροφοριών και προσδιορίζουν μοναδικά μια παρατήρηση (δηλ. , μία σκηνή). Στο παράδειγμά μας, η διαδικασία προσέγγισης προτείνει τις 6 Οκτωβρίου 2019 (πλακίδιο Sentinel-2: S2B_32SKA_20191006_0_L2A
), ως ο καταλληλότερος υποψήφιος γραμμής βάσης.
Στη συνέχεια, μπορούμε να υπολογίσουμε τη διορθωμένη κλασματική αλλαγή στην ανάκλαση μεταξύ της ημερομηνίας γραμμής βάσης και της ημερομηνίας που θα θέλαμε να παρακολουθήσουμε. Οι διορθωτικοί συντελεστές c (βλ. προηγούμενη εξίσωση 1) μπορούν να υπολογιστούν με τον ακόλουθο κωδικό:
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]
Η πλήρης εφαρμογή της Εξίσωσης 1 δίνεται στο ακόλουθο απόσπασμα κώδικα:
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
Τέλος, μπορούμε να τυλίξουμε τις παραπάνω μεθόδους σε μια ρουτίνα από άκρο σε άκρο που προσδιορίζει το AOI για ένα δεδομένο γεωγραφικό μήκος και πλάτος, ημερομηνία παρακολούθησης και πλακίδιο γραμμής βάσης, αποκτά τις απαιτούμενες δορυφορικές εικόνες και εκτελεί τον υπολογισμό αλλαγής κλασματικής ανάκλασης.
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
Εκτελώντας αυτήν τη μέθοδο με τις παραμέτρους που προσδιορίσαμε νωρίτερα, προκύπτει η κλασματική αλλαγή στην ανακλαστικότητα SWIR TOA ως xarray.DataArray. Μπορούμε να κάνουμε μια πρώτη οπτική επιθεώρηση του αποτελέσματος εκτελώντας ένα απλό plot()
επίκληση σε αυτόν τον πίνακα δεδομένων. Η μέθοδός μας αποκαλύπτει την παρουσία ενός νέφους μεθανίου στο κέντρο του AOI που δεν ήταν ανιχνεύσιμο στο διάγραμμα RGB που είδαμε προηγουμένως.
Εικόνα 3 – Αλλαγή κλασματικής ανάκλασης στην ανακλαστικότητα TOA (φάσμα SWIR)
Ως τελικό βήμα, εξάγουμε το αναγνωρισμένο νέφος μεθανίου και το επικαλύπτουμε σε μια ακατέργαστη δορυφορική εικόνα RGB για να παρέχουμε το σημαντικό γεωγραφικό πλαίσιο. Αυτό επιτυγχάνεται με όριο, το οποίο μπορεί να εφαρμοστεί όπως φαίνεται παρακάτω:
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
Για την περίπτωσή μας, ένα όριο -0.02 κλασματική αλλαγή στην ανάκλαση αποδίδει καλά αποτελέσματα, αλλά αυτό μπορεί να αλλάζει από σκηνή σε σκηνή και θα πρέπει να το βαθμονομήσετε για τη συγκεκριμένη περίπτωση χρήσης σας. Το σχήμα 4 που ακολουθεί δείχνει πώς δημιουργείται η επικάλυψη λοφίου συνδυάζοντας την ακατέργαστη δορυφορική εικόνα του AOI με το καλυμμένο λοφίο σε μια ενιαία σύνθετη εικόνα που δείχνει το λοφίο μεθανίου στο γεωγραφικό του πλαίσιο.
Εικόνα 4 – Εικόνα RGB, αλλαγή κλασματικής ανάκλασης στην ανάκλαση TOA (φάσμα SWIR) και επικάλυψη λοφίου μεθανίου για AOI
Επικύρωση λύσης με γεγονότα εκπομπής μεθανίου πραγματικού κόσμου
Ως τελικό βήμα, αξιολογούμε τη μέθοδό μας ως προς την ικανότητά της να ανιχνεύει και να εντοπίζει σωστά τις διαρροές μεθανίου από μια σειρά πηγών και γεωγραφικών περιοχών. Πρώτον, χρησιμοποιούμε ένα πείραμα ελεγχόμενης απελευθέρωσης μεθανίου ειδικά σχεδιασμένο για το επικύρωση του διαστημικού εντοπισμού σημειακών πηγών και ποσοτικοποίησης των χερσαίων εκπομπών μεθανίου. Σε αυτό το πείραμα του 2021, οι ερευνητές πραγματοποίησαν αρκετές απελευθερώσεις μεθανίου στο Ehrenberg της Αριζόνα σε μια περίοδο 19 ημερών. Η εκτέλεση της μεθόδου ανίχνευσης για ένα από τα περάσματα Sentinel-2 κατά τη διάρκεια αυτού του πειράματος παράγει το ακόλουθο αποτέλεσμα που δείχνει ένα νέφος μεθανίου:
Εικόνα 5 – Ένταση νέφους μεθανίου για πείραμα ελεγχόμενης απελευθέρωσης στην Αριζόνα
Το λοφίο που δημιουργείται κατά την ελεγχόμενη απελευθέρωση αναγνωρίζεται σαφώς από τη μέθοδο ανίχνευσης. Το ίδιο ισχύει για άλλες γνωστές πραγματικές διαρροές (στο Σχήμα 6 που ακολουθεί) από πηγές όπως μια χωματερή στην Ανατολική Ασία (αριστερά) ή μια εγκατάσταση πετρελαίου και φυσικού αερίου στη Βόρεια Αμερική (δεξιά).
Εικόνα 6 – Ένταση νέφους μεθανίου για χωματερή της Ανατολικής Ασίας (αριστερά) και κοίτασμα πετρελαίου και φυσικού αερίου στη Βόρεια Αμερική (δεξιά)
Εν ολίγοις, η μέθοδός μας μπορεί να βοηθήσει στον εντοπισμό των εκπομπών μεθανίου τόσο από ελεγχόμενες εκλύσεις όσο και από διάφορες πραγματικές σημειακές πηγές σε όλο τον κόσμο. Αυτό λειτουργεί καλύτερα για επίγειες σημειακές πηγές με περιορισμένη γύρω βλάστηση. Δεν λειτουργεί για σκηνές off-shore λόγω η υψηλή απορρόφηση (δηλαδή χαμηλή διαπερατότητα) του φάσματος SWIR από το νερό. Δεδομένου ότι ο προτεινόμενος αλγόριθμος ανίχνευσης βασίζεται σε διακυμάνσεις στην ένταση του μεθανίου, η μέθοδός μας απαιτεί επίσης παρατηρήσεις πριν από τη διαρροή. Αυτό μπορεί να καταστήσει δύσκολη την παρακολούθηση των διαρροών με σταθερούς ρυθμούς εκπομπών.
εκκαθάριση
Για να αποφύγετε τις ανεπιθύμητες χρεώσεις μετά την ολοκλήρωση μιας εργασίας παρακολούθησης μεθανίου, βεβαιωθείτε ότι τερματίζετε την παρουσία του SageMaker και διαγράφετε τυχόν ανεπιθύμητα τοπικά αρχεία.
Συμπέρασμα
Συνδυάζοντας τις γεωχωρικές δυνατότητες του SageMaker με τις ανοιχτές πηγές γεωχωρικών δεδομένων, μπορείτε να εφαρμόσετε τις δικές σας εξαιρετικά προσαρμοσμένες λύσεις απομακρυσμένης παρακολούθησης σε κλίμακα. Αυτή η ανάρτηση ιστολογίου επικεντρώθηκε στην ανίχνευση μεθανίου, μια περιοχή εστίασης για κυβερνήσεις, ΜΚΟ και άλλους οργανισμούς που επιδιώκουν να ανιχνεύσουν και τελικά να αποφύγουν τις επιβλαβείς εκπομπές μεθανίου. Μπορείτε να ξεκινήσετε σήμερα το δικό σας ταξίδι στη γεωχωρική ανάλυση περιστρέφοντας ένα Σημειωματάριο με τον γεωχωρικό πυρήνα SageMaker και να εφαρμόσετε τη δική σας λύση ανίχνευσης. Δείτε το Αποθετήριο GitHub για να ξεκινήσετε τη δημιουργία της δικής σας λύσης ανίχνευσης μεθανίου με δορυφόρο. Ελέγξτε επίσης το σοφός-παραδείγματα αποθετήριο για περαιτέρω παραδείγματα και σεμινάρια σχετικά με τον τρόπο χρήσης των γεωχωρικών δυνατοτήτων του SageMaker σε άλλες εφαρμογές τηλεπισκόπησης του πραγματικού κόσμου.
Σχετικά με τους συγγραφείς
Ο Δρ Κάρστεν Σρόερ είναι αρχιτέκτονας λύσεων στην AWS. Υποστηρίζει τους πελάτες στη μόχλευση δεδομένων και τεχνολογίας για την προώθηση της βιωσιμότητας της υποδομής πληροφορικής τους και τη δημιουργία λύσεων που βασίζονται σε δεδομένα στο cloud που επιτρέπουν βιώσιμες λειτουργίες στους αντίστοιχους κλάδους τους. Ο Karsten εντάχθηκε στην AWS μετά τις διδακτορικές του σπουδές στην εφαρμοσμένη μηχανική μάθηση και διαχείριση λειτουργιών. Είναι πραγματικά παθιασμένος με τις λύσεις που υποστηρίζουν την τεχνολογία για τις κοινωνικές προκλήσεις και του αρέσει να βουτάει βαθιά στις μεθόδους και τις αρχιτεκτονικές εφαρμογών που αποτελούν τη βάση αυτών των λύσεων.
Janosch Woschitz είναι Senior Solutions Architect στο AWS, με ειδίκευση στη γεωχωρική AI/ML. Με περισσότερα από 15 χρόνια εμπειρίας, υποστηρίζει πελάτες παγκοσμίως στη μόχλευση της τεχνητής νοημοσύνης και της ML για καινοτόμες λύσεις που αξιοποιούν τα γεωχωρικά δεδομένα. Η τεχνογνωσία του καλύπτει τη μηχανική μάθηση, τη μηχανική δεδομένων και τα κλιμακούμενα κατανεμημένα συστήματα, επαυξημένη από ένα ισχυρό υπόβαθρο στη μηχανική λογισμικού και την τεχνογνωσία του κλάδου σε σύνθετους τομείς όπως η αυτόνομη οδήγηση.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 100
- 11
- 12
- 15 χρόνια
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- ικανότητα
- Σχετικα
- πάνω από
- επιταχύνουν
- επιτάχυνση
- αποδεκτό
- πρόσβαση
- πρόσβαση
- επιτευχθεί
- Αποκτά
- απέναντι
- Ενέργειες
- ενεργός
- Πρόσθετος
- επαρκώς
- γειτονικός
- προσιτές
- Αφρική
- Μετά το
- κατά
- AI
- AI / ML
- αλγόριθμος
- ομοίως
- Όλα
- επιτρέπει
- Επίσης
- Amazon
- Amazon Sage Maker
- Γεωχωρικό Amazon SageMaker
- Στούντιο Amazon SageMaker
- Amazon υπηρεσίες Web
- Αμερική
- μεταξύ των
- an
- αναλύσεις
- analytics
- και
- ζώο
- κάθε
- api
- εφαρμόσιμος
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- πλησιάζω
- προσεγγίσεις
- κατάλληλος
- κατά προσέγγιση
- περίπου
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- Αριζόνα
- γύρω
- Παράταξη
- AS
- Ασία
- ασιάτης
- At
- Ατμόσφαιρα
- ατμοσφαιρική
- επαυξημένης
- αυτοματοποίηση
- αυτονόμος
- διαθέσιμος
- μέσος
- αποφύγετε
- AWS
- φόντο
- Υπόλοιπο
- ΖΩΝΗ
- βάση
- βασίζονται
- Baseline
- BE
- γίνονται
- να γίνει
- ήταν
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- Μπλοκ
- Μπλοκ
- και οι δύο
- Κουτί
- χτίζω
- Κτίριο
- ενσωματωμένο
- αλλά
- by
- υπολογίζεται
- κλήση
- CAN
- Μπορεί να πάρει
- υποψήφιος
- δυνατότητες
- κεφαλοποιώ
- πιάνω
- κουβαλάω
- περίπτωση
- περιπτώσεις
- Κέντρο
- κεντρικός
- ορισμένες
- πρόκληση
- προκλήσεις
- πρόκληση
- αλλαγή
- Αλλαγές
- χαρακτηριστικά
- φορτία
- έλεγχος
- επιλέγονται
- σαφώς
- Κλίμα
- Κλιματική αλλαγή
- Κλεισιμο
- Backup
- Άνθρακας
- κωδικός
- βάση κώδικα
- συνδυασμός
- συνδυάζει
- συνδυάζοντας
- εμπορικός
- Ολοκληρώθηκε το
- συγκρότημα
- συστατικό
- σύνθεση
- υπολογισμός
- Υπολογίστε
- Ανησυχία
- ενδιαφερόμενος
- Διάσκεψη
- σταθερός
- περιορισμούς
- Περιέχει
- συμφραζόμενα
- ΣΥΝΕΧΕΙΑ
- συνεισφορές
- ελέγχεται
- Διορθώθηκε
- Διορθώσεις
- σωστά
- Αντίστοιχος
- αντιστοιχεί
- Κόστος
- αποδοτική
- θα μπορούσε να
- κάλυμμα
- κάλυψη
- κρίσιμης
- κρίσιμος
- Ρεύμα
- έθιμο
- Πελάτες
- προσαρμοσμένη
- ημερομηνία
- βασίζονται σε δεδομένα
- σύνολα δεδομένων
- Ημερομηνία
- ημερομηνία
- Ημ.
- απόφαση
- αφιερωμένο
- βαθύς
- ορίζεται
- Ορίζει
- παρατάσσω
- καθορισμένο
- σχεδιασμένα
- επιθυμία
- λεπτομέρεια
- λεπτομερής
- καθέκαστα
- ανίχνευση
- Ανίχνευση
- αποφασισμένος
- διαφορά
- διαφορετικές
- δύσκολος
- κατευθύνει
- κατεύθυνση
- διάθεση
- διανέμονται
- κατανεμημένα συστήματα
- κατάδυση
- κάνει
- Όχι
- domains
- σχεδιάζω
- σχέδιο
- αυτοκίνητο
- οδήγηση
- δυο
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- γη
- ευκολότερη
- Ανατολή
- Αποτελεσματικός
- αποτελεσματικά
- είτε
- εκπομπή
- Εκπομπές
- ενεργοποιήσετε
- ενεργοποίηση
- από άκρη σε άκρη
- Μηχανική
- Μηχανικοί
- εμπλουτίζω
- εξασφαλίζω
- Ολόκληρος
- Περιβάλλον
- ίσος
- σφάλμα
- ESA
- ουσιώδης
- εκτιμήσεις
- EU
- αξιολογήσει
- παράδειγμα
- παραδείγματα
- Επέκταση
- ακριβά
- εμπειρία
- πείραμα
- εξειδίκευση
- Κακοποιημένα
- διερευνήσει
- Εξερευνήθηκε
- εξέφρασε την
- εκχύλισμα
- εξαγωγή
- μάτι
- διευκολύνω
- Ευκολία
- γεγονός
- παράγοντες
- καλλιέργεια
- πεδίο
- την καταπολέμηση της
- Εικόνα
- Αρχεία
- Φίλτρα
- τελικός
- οικονομικός
- εύρεση
- ευρήματα
- Όνομα
- εστιακός
- Συγκέντρωση
- επικεντρώθηκε
- Εξής
- εξής
- Για
- μορφή
- κλασματικός
- Δωρεάν
- Συχνότητα
- από
- πλήρη
- πλήρως
- λειτουργικότητα
- περαιτέρω
- μελλοντικός
- GAS
- παράγεται
- δημιουργεί
- γεωγραφικός
- γεωγραφίες
- παίρνω
- GitHub
- δεδομένου
- Παγκόσμιο
- Παγκόσμια
- σφαίρα
- Go
- γκολ
- καλός
- Κυβέρνηση
- γραφικών
- μεγαλύτερη
- χέρι
- επιβλαβής
- Έχω
- he
- βοήθεια
- βοηθά
- εδώ
- Ψηλά
- Υψηλή συχνότητα
- υψηλότερο
- υψηλότερο
- Επισημάνετε
- υψηλά
- του
- φιλοξενείται
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- ID
- ιδανικά
- Αναγνώριση
- προσδιορίζονται
- αναγνωρίζει
- προσδιορίσει
- ids
- if
- απεικονίζει
- εικόνα
- εικόνες
- εφαρμογή
- εκτέλεση
- εφαρμοστεί
- εκτελεστικών
- in
- Σε άλλες
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- ένδειξη
- βιομηχανία
- πληροφορίες
- Υποδομή
- καινοτόμες
- εισαγωγή
- ιδέες
- παράδειγμα
- μέσων
- διαδραστικό
- τόκος
- περιβάλλον λειτουργίας
- σε
- εισήγαγε
- IT
- αντικειμένων
- ΤΟΥ
- Δουλειά
- εντάχθηκαν
- ταξίδι
- jpg
- μόλις
- Διατήρηση
- Κλειδί
- γνωστός
- l2
- large
- μεγάλης κλίμακας
- διαρροή
- Διαρροές
- ΜΑΘΑΊΝΩ
- μάθηση
- ελάχιστα
- αριστερά
- μείον
- Επίπεδο
- μόχλευσης
- βιβλιοθήκες
- φως
- Μου αρέσει
- Περιωρισμένος
- Λιστα
- λογοτεχνία
- τοπικός
- λογική
- Μακριά
- αγαπά
- Χαμηλός
- χαμηλότερα
- μηχανή
- μάθηση μηχανής
- μεγάλες
- κάνω
- Makers
- Κατασκευή
- διαχείριση
- χάρτη
- μάσκα
- ταιριάζουν
- μαθηματικά
- Μαθηματικά
- ανώτατο όριο
- εννοώ
- νόημα
- νόημα
- Μεταδεδομένα
- μεθάνιο
- εκπομπές μεθανίου
- Διαρροή μεθανίου
- μέθοδος
- μέθοδοι
- Εξόρυξη
- Αποστολή
- αποστολές
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- παρακολούθηση
- περισσότερο
- πλέον
- πολλαπλούς
- όνομα
- Nasa
- Φύση
- Ανάγκη
- ΜΚΟ
- Όχι.
- Ν/Α
- Βόρειος
- Βόρεια Αμερική
- σημειωματάριο
- αριθμός
- αντικείμενο
- παρατήρηση
- Οκτώβριος
- Οκτώβριος 6
- of
- συχνά
- Πετρέλαιο
- Πετρέλαιο και Φυσικό αέριο
- on
- ONE
- συνεχή
- αποκλειστικά
- ανοίξτε
- λειτουργούν
- λειτουργίες
- or
- οργανώσεις
- καταγωγή
- ΑΛΛΑ
- δικός μας
- έξω
- επί
- δική
- πίνακας
- παράμετροι
- μέρη
- passieren
- περάσματα
- παθιασμένος
- Το παρελθόν
- τοις εκατό
- Εκτελέστε
- εκτελούνται
- εκτελεί
- περίοδος
- phd
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Ενέχυρο
- Αφθονία
- Σημείο
- πολιτική
- Φορείς χάραξης πολιτικής
- Πολύγωνο
- δυνατός
- Θέση
- δυναμικού
- ενδεχομένως
- Προβλέψεις
- παρουσία
- παρόν
- Προβολή
- προηγούμενος
- προηγουμένως
- διαδικασια μας
- Επεξεργασμένο
- μεταποίηση
- παράγει
- Προϊόν
- ιδιότητες
- περιουσία
- προτείνεται
- παρέχουν
- παρέχεται
- παρέχει
- σκοποί
- Python
- ποσοτικοποίηση
- Γρήγορα
- γρήγορα
- σειρά
- ταχέως
- Τιμή
- Τιμές
- λογική
- Ακατέργαστος
- φθάσουν
- πρόθυμα
- πραγματικό κόσμο
- μείωση
- παραπέμπω
- αναφορά
- περιοχή
- μητρώου
- απελευθερώνουν
- Δελτία
- βασίζονται
- μακρινός
- αφαιρέστε
- Αποθήκη
- εκπροσωπώ
- εκπροσωπούν
- αντιπροσωπεύει
- απαιτείται
- Απαιτεί
- ερευνητές
- Ανάλυση
- πόρος
- ένταση πόρων
- εκείνοι
- απάντησης
- υπεύθυνος
- αποτέλεσμα
- Αποτελέσματα
- απόδοση
- Αποκαλύπτει
- RGB
- δεξιά
- ρουτίνα
- τρέξιμο
- s
- σοφός
- ίδιο
- δορυφόρος
- δορυφόρους
- επεκτάσιμη
- Κλίμακα
- σκηνή
- Σκηνές
- επιστήμονες
- έκταση
- Αναζήτηση
- τμήματα
- δείτε
- αναζήτηση
- δει
- επιλέγονται
- αρχαιότερος
- ευαίσθητος
- Ευαισθησία
- Υπηρεσίες
- διάφοροι
- Κοντά
- δείχνουν
- παρουσιάζεται
- Δείχνει
- σημαντικά
- παρόμοιες
- Απλούς
- ενιαίας
- Sites
- Απόσπασμα
- κοινωνικο
- λογισμικό
- τεχνολογία λογισμικού
- λύση
- Λύσεις
- μερικοί
- Πηγή
- Πηγές
- διαστημικός
- εκτείνεται
- χωρική
- ειδικευμένη
- συγκεκριμένες
- ειδικά
- προδιαγραφές
- καθορίζεται
- Φασματικός
- Φάσμα
- πλατείες
- ενδιαφερόμενα μέρη
- πρότυπο
- Εκκίνηση
- ξεκίνησε
- Βήμα
- Απεργίες
- ισχυρός
- μελέτες
- στούντιο
- Μελέτη
- τέτοιος
- Προτείνει
- κατάλληλος
- Υποστηρίζει
- Επιφάνεια
- περιβάλλων
- Βιωσιμότητα
- βιώσιμης
- συστήματα
- Πάρτε
- λαμβάνεται
- στόχος
- Τεχνικός
- Τεχνολογία
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- επομένως
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- κατώφλι
- Μέσω
- ώρα
- χρονοβόρος
- φορές
- timestamp
- προς την
- Toa
- σήμερα
- εργαλεία
- Τρένο
- Μεταμορφώστε
- δίκη
- αληθής
- όντως
- tutorials
- δύο
- συνήθως
- μας
- τελικά
- Βρίσκομαι κάτω από
- μοναδικός
- μοναδικώς
- ανεπιθύμητος
- us
- χρήση
- περίπτωση χρήσης
- χρησιμοποιεί
- χρησιμοποιώντας
- επικύρωση
- αξία
- Αξίες
- ποικιλία
- διάφορα
- κατακόρυφα
- ορατός
- οραματισμός
- ήταν
- Απόβλητα
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- Ποιό
- ενώ
- θα
- με
- εντός
- Εργασία
- εργάστηκαν
- λειτουργεί
- θα
- τυλίξτε
- X
- χρόνια
- αποδόσεις
- Εσείς
- Σας
- zephyrnet