Metaan (CH4) on peamine inimtekkeline kasvuhoonegaas, mis on muu hulgas nafta ja gaasi kaevandamise, söekaevandamise, suuremahulise loomakasvatuse ja jäätmete kõrvaldamise kõrvalsaadus. Globaalse soojenemise potentsiaal CH4 on 86 korda suurem kui CO2 ja valitsustevahelise kliimamuutuste paneeli (IPCC) hinnangul metaan põhjustab 30 protsenti seni täheldatud globaalsest soojenemisest. CH4 atmosfääri lekke kiire vähendamine on kliimamuutuste vastase võitluse kriitilise tähtsusega komponent. 2021. aastal tutvustas ÜRO Ülemaailmne metaani lubadus kliimamuutuste konverentsil (COP26), mille eesmärk on võtta metaani osas kiiresti meetmeid, et hoida 1.5 kraadise temperatuuriga tulevik käeulatuses. Pant on 150 XNUMX allakirjutanu sealhulgas USA ja EL.
Metaaniallikate varajane avastamine ja pidev seire on metaaniga seotud mõtestatud tegevuse põhikomponent ning seetõttu on see muutumas murelikuks nii poliitikakujundajatele kui ka organisatsioonidele. Soodsate ja tõhusate metaanituvastuslahenduste rakendamine ulatuslikult – näiteks kohapealsed metaanidetektorid või lennukitele paigaldatud spektromeetrid – on keeruline, kuna need on sageli ebapraktilised või ülemäära kallid. Teisest küljest võib satelliitide abil kaugseire pakkuda ülemaailmset, kõrgsageduslikku ja kulutõhusat tuvastusfunktsiooni, mida sidusrühmad soovivad.
Selles blogipostituses näitame teile, kuidas saate seda kasutada Sentinel 2 satelliidipildid, mida hostitakse AWS-i avatud andmete registris kombinatsioonis Amazon SageMakeri georuumilised võimalused CH4 heitkoguste punktallikate tuvastamiseks ja nende jälgimiseks aja jooksul. Joonistamine edasi hiljutised leiud maavaatluskirjandusest saate teada, kuidas saate rakendada kohandatud metaanituvastusalgoritmi ja kasutada seda metaanilekke tuvastamiseks ja jälgimiseks erinevatest kohtadest üle maailma. See postitus sisaldab kaasnevat koodi GitHubis mis pakub täiendavaid tehnilisi üksikasju ja aitab teil alustada oma metaani jälgimise lahendusega.
Traditsiooniliselt oli keerukate georuumiliste analüüside tegemine keeruline, aeganõudev ja ressursimahukas ettevõtmine. Amazon SageMakeri georuumilised võimalused muudavad andmeteadlaste ja masinõppeinseneride jaoks georuumilisi andmeid kasutades mudelite loomise, koolitamise ja juurutamise lihtsamaks. SageMakeri georuumilisi võimalusi kasutades saate tõhusalt teisendada või rikastada suuremahulisi georuumilisi andmekogumeid, kiirendada mudelite loomist eelkoolitatud masinõppe (ML) mudelitega ning uurida mudelite ennustusi ja georuumilisi andmeid interaktiivsel kaardil, kasutades 3D-kiirendatud graafikat ja sisseehitatud. visualiseerimisvahendid.
Metaani punktallikate kaugseire multispektraalsete satelliidipiltide abil
Satelliidipõhised metaanituvastusmeetodid tuginevad tavaliselt CH4 ainulaadsetele läbilaskvusomadustele. Nähtavas spektris on CH4 läbilaskvus väärtused 1 või sellele lähedased, mis tähendab, et seda ei saa palja silmaga tuvastada. Teatud lainepikkustel metaan aga neelab valgust (läbilaskvus <1), mis on omadus, mida saab tuvastamise eesmärgil ära kasutada. Selleks valitakse tavaliselt lühikese lainepikkuse infrapuna (SWIR) spekter (spektrivahemik 1500–2500 nm), kus CH4 on kõige paremini tuvastatav. Hüper- ja multispektraalsed satelliidimissioonid (st need, millel on optilised seadmed, mis koguvad kujutise andmeid mitmes elektromagnetilise spektri lainepikkuse vahemikus (ribades)) hõlmavad neid SWIR-i vahemikke ja esindavad seega potentsiaalseid tuvastamisinstrumente. Joonisel 1 on kujutatud metaani läbilaskvuskarakteristikud SWIR-spektris ja erinevate multispektraalsete satelliidikandidaatide SWIR-i katvus (kohandatud see Uuring).
Joonis 1 – SWIR-spektri metaani läbilaskvuskarakteristikud ja Sentinel-2 mitmespektriliste missioonide katvus
Paljud multispektraalsed satelliidimissioonid on piiratud kas madala korduskülastuse sagedusega (näiteks PRISMA hüperspektraalne umbes 16 päeva pärast) või madala ruumilise eraldusvõimega (näiteks Sentinel 5 7.5 km x 7.5 km). Andmetele juurdepääsu hind on täiendav väljakutse: mõned spetsiaalsed konstellatsioonid toimivad äriliste ülesannetena, muutes CH4 heitkoguste ülevaate teadlastele, otsustajatele ja teistele asjaosalistele rahaliste piirangute tõttu vähem kättesaadavaks. ESA omad Sentinel-2 multispektraalne missioon, millel see lahendus põhineb, saavutab sobiva tasakaalu korduskülastuse määra (umbes 5 päeva), ruumilise eraldusvõime (umbes 20 m) ja avatud juurdepääsu vahel (majutatakse veebilehel AWS-i avatud andmete register).
Sentinel-2-l on kaks riba, mis katavad SWIR-spektri (20 m eraldusvõimega): riba 11 (kesklainepikkus 1610 nm) ja riba 12 (kesklainepikkus 2190 nm). Mõlemad ribad sobivad metaani tuvastamiseks, samas kui ribal 12 on oluliselt suurem tundlikkus CH4 absorptsiooni suhtes (vt joonis 1). Nende SWIR-i peegeldusandmete kasutamiseks metaani tuvastamiseks on intuitiivselt kaks võimalikku lähenemisviisi. Esiteks võiksite keskenduda vaid ühele SWIR-ribale (ideaaljuhul sellele, mis on CH4 neeldumise suhtes kõige tundlikum) ja arvutada kahe erineva satelliidi läbimise peegelduse erinevus pikslite kaupa. Teise võimalusena saate tuvastamiseks kasutada ühe satelliidi läbipääsu andmeid, kasutades kahte kõrvuti asetsevat spektraalset SWIR-riba, millel on sarnased pinna- ja aerosooli peegeldusomadused, kuid erinevad metaani neeldumisomadused.
Selles ajaveebi postituses rakendatav tuvastamismeetod ühendab mõlemad lähenemisviisid. Me tõmbame edasi hiljutised leiud maavaatluskirjandusest ja arvutada osaline muutus atmosfääri ülaosa (TOA) peegeldusvõimes Δρ (st Sentinel-2 poolt mõõdetud peegeldusvõime, sealhulgas atmosfääri aerosoolide ja gaaside panused) kahe satelliidi läbipääsu ja kahe SWIR-riba vahel; üks baasjoone läbimine, kus metaani puudub (baas) ja üks seirekäik, kus kahtlustatakse aktiivset metaani punktallikat (monitor). Matemaatiliselt saab seda väljendada järgmiselt:
kus ρ on TOA peegeldusvõime, mõõdetuna Sentinel-2 abil, cjälgida ja cbaas arvutatakse sagedusriba 12 TOA peegeldusväärtuste regressiooniga riba 11 peegeldusväärtuste suhtes kogu stseeni ulatuses (st ρb11 = c * ρb12). Lisateabe saamiseks vaadake seda uuringut teemal anomaalsete metaani punktallikate kõrgsagedusseire multispektraalsete Sentinel-2 satelliidivaatlustega.
Rakendage SageMakeri georuumiliste võimalustega metaani tuvastamise algoritm
Metaanituvastusalgoritmi rakendamiseks kasutame Amazon SageMaker Studios SageMakeri georuumilist märkmikku. Georuumilise märkmiku tuum on eelnevalt varustatud oluliste georuumiliste teekide, näiteks GDAL, GeoPandad, Võluv, xarrayja Rasterio, mis võimaldab Pythoni sülearvuti keskkonnas georuumiliste andmete otsest visualiseerimist ja töötlemist. Vaadake alustusjuhend et õppida, kuidas SageMakeri georuumilisi võimalusi kasutama hakata.
SageMaker pakub spetsiaalselt loodud API loodud hõlbustama satelliidipiltide otsimist koondliidese kaudu, kasutades SearchRasterDataCollection API kõne. SearchRasterDataCollection
tugineb järgmistele sisendparameetritele:
Arn
: päringu saanud rasterandmete kogu Amazoni ressursi nimi (ARN).AreaOfInterest
: hulknurkobjekt (GeoJSON-vormingus), mis esindab otsingupäringu jaoks huvipakkuvat piirkondaTimeRangeFilter
: määratleb huvipakkuva ajavahemiku, mida tähistatakse kui{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Lisada saab ka täiendavaid atribuutide filtreid, näiteks maksimaalse vastuvõetava pilvkatte spetsifikatsioonid
See meetod toetab päringuid erinevatest rasterandmete allikatest, mida saab helistades uurida ListRasterDataCollections. Meie metaanituvastuse rakendus kasutab Sentinel-2 satelliidipildid, millele saab globaalselt viidata järgmise ARN-i abil: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
See ARN esindab Sentinel-2 kujutisi, mis on töödeldud tasemele 2A (pinna peegeldus, atmosfääriliselt korrigeeritud). Metaani tuvastamise eesmärgil kasutame atmosfääri ülaosa (TOA) peegeldusandmeid (tase 1C), mis ei sisalda pinnataseme atmosfääri parandusi, mis muudaksid aerosooli koostise ja tiheduse muutused (st metaani lekked) tuvastamatuks. .
Konkreetsest punktallikast pärit potentsiaalsete heitkoguste tuvastamiseks vajame kahte sisendparameetrit: arvatava punktallika koordinaate ja metaaniheite seire jaoks määratud ajatemplit. Arvestades, et SearchRasterDataCollection
API kasutab huvipakkuva ala (AOI) määratlemiseks polügoone või mitut hulknurka, meie lähenemisviis hõlmab punkti koordinaatide laiendamist esmalt piirdekastiks ja seejärel selle hulknurga kasutamist Sentinel-2 kujutiste päringu tegemiseks, kasutades SearchRasterDateCollection
.
Selles näites jälgime teadaolevat metaanileket, mis pärineb Põhja-Aafrika naftaväljalt. See on standardne valideerimisjuhtum kaugseire kirjanduses ja sellele viidatakse näiteks artiklis see Uuring. Sellel on täielikult käivitatav koodibaas amazon-sagemaker-examples GitHubi hoidla. Siin tõstame esile ainult valitud koodilõigud, mis esindavad SageMakeri georuumiliste võimalustega metaanituvastuslahenduse rakendamise peamisi ehitusplokke. Lisateabe saamiseks vaadake hoidlast.
Alustame näidisjuhtumi koordinaatide ja sihtseire kuupäeva lähtestamisest.
#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
Järgmine koodilõik loob antud punktikoordinaatide jaoks piirdekasti ja seejärel otsib olemasolevaid Sentinel-2 kujutisi piirdekasti ja määratud jälgimiskuupäeva alusel:
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)
Vastus sisaldab vastavate Sentinel-2 üksuste loendit ja nende vastavaid metaandmeid. Need sisaldavad Pilve jaoks optimeeritud geoTIFF-id (COG) kõik Sentinel-2 ansamblid, Samuti thumbnail pildid pildi visuaalsete ribade kiireks eelvaateks. Loomulikult on võimalik juurde pääseda ka täiseraldusvõimega satelliidipildile (RGB graafik), mis on näidatud järgneval joonisel 2.
Joonis 2 – AOI satelliidipilt (RGB diagramm).
Nagu eelnevalt üksikasjalikult kirjeldatud, tugineb meie tuvastamise lähenemisviis atmosfääri tipptaseme (TOA) SWIR-i peegelduse murdosalistele muutustele. Selle toimimiseks on hea lähtetaseme kindlakstegemine ülioluline. Hea lähtetaseme leidmine võib kiiresti muutuda tüütuks protsessiks, mis hõlmab palju katse-eksitusi. Hea heuristika võib aga selle otsinguprotsessi automatiseerimisel palju kaasa aidata. Otsinguheuristika, mis on varem uuritud juhtumite puhul hästi toiminud, on järgmine: mineviku jaoks day_offset=n
päeva, hankige kõik satelliidipildid, eemaldage kõik pilved ja lõigake pilt AOI-le. Seejärel arvutage keskmine riba-12 peegeldus üle AOI. Tagastab sagedusalas 12 suurima keskmise peegelduvusega pildi Sentineli paani ID.
Seda loogikat rakendatakse järgmises koodiväljavõttes. Selle põhjendus tugineb asjaolule, et riba-12 on väga tundlik CH4 neeldumise suhtes (vt joonis 1). Suurem keskmine peegeldusväärtus vastab väiksemale neeldumisele sellistest allikatest nagu metaani emissioon ja annab seetõttu tugeva viite emissioonivabale baasstseenile.
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)
Selle meetodi kasutamine võimaldab meil ligikaudselt määrata sobiva lähtekuupäeva ja vastava Sentinel-2 plaadi ID. Sentinel-2 plaadi ID-d sisaldavad muu teabe hulgas teavet missiooni ID (Sentinel-2A/Sentinel-2B), kordumatu paani numbri (nt 32SKA) ja pildi tegemise kuupäeva kohta ning tuvastavad üheselt vaatluse (st. , stseen). Meie näites soovitab ligikaudne protsess 6. oktoobrit 2019 (paan Sentinel-2: S2B_32SKA_20191006_0_L2A
), kui kõige sobivam lähtekandidaat.
Järgmisena saame arvutada peegelduse korrigeeritud murdosa muutuse lähtekuupäeva ja kuupäeva vahel, mida soovime jälgida. Parandustegurid c (vt eelnev võrrand 1) saab arvutada järgmise koodiga:
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]
Võrrandi 1 täielik rakendamine on esitatud järgmises koodilõigul:
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
Lõpuks saame koondada ülaltoodud meetodid täielikuks rutiiniks, mis tuvastab AOI antud pikkus- ja laiuskraadil, jälgib kuupäeva ja lähtejoone paani, hangib vajalikud satelliidipildid ja teostab murdosa peegelduse muutuse arvutamise.
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
Selle meetodi käivitamine parameetritega, mille me varem määrasime, annab SWIR TOA peegelduvuse murdosa muutuse xarray.DataArray. Saame teostada tulemuse esmase visuaalse kontrolli, käivitades lihtsa plot()
väljakutse sellel andmemassiivil. Meie meetod näitab AOI keskosas metaanivoogu, mis oli varem nähtud RGB graafikul tuvastamatu.
Joonis 3 – TOA peegeldusvõime murdosaline muutus (SWIR-spekter)
Viimase sammuna eraldame tuvastatud metaani tulva ja katame selle toores RGB satelliidipildile, et pakkuda olulist geograafilist konteksti. See saavutatakse künnise abil, mida saab rakendada järgmiselt:
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
Meie puhul annab peegelduvuse murdosamuutuse lävi -0.02 häid tulemusi, kuid see võib stseenist stseenini muutuda ja peate selle oma konkreetse kasutusjuhtumi jaoks kalibreerima. Järgnev joonis 4 illustreerib, kuidas luuakse AOI toores satelliidipilt maskeeritud satelliidipildiga üheks liitpildiks, mis näitab metaani voogu selle geograafilises kontekstis.
Joonis 4 – RGB-pilt, TOA peegelduse (SWIR-spekter) osaline peegelduse muutus ja AOI metaanivoo kattekiht
Lahenduse valideerimine reaalsete metaaniheite sündmustega
Viimase sammuna hindame oma meetodi võimet õigesti tuvastada ja täpselt kindlaks teha mitmesugustest allikatest ja geograafilistest piirkondadest pärit metaani lekked. Esiteks kasutame kontrollitud metaani vabanemise katset, mis on spetsiaalselt loodud kosmosepõhise punktallika tuvastamise valideerimine ja maismaal tekkiva metaaniheite kvantifitseerimine. Selles 2021. aasta katses viisid teadlased Arizonas Ehrenbergis läbi 19-päevase perioodi jooksul mitu metaani vabanemist. Meie tuvastusmeetodi käivitamine ühe Sentinel-2 läbimise jaoks annab selle katse ajal järgmise tulemuse, mis näitab metaani voogu:
Joonis 5 – Arizona kontrollitud vabanemise katse metaanivoo intensiivsus
Kontrollitud vabastamise ajal tekkiv vool on meie tuvastamismeetodiga selgelt identifitseeritud. Sama kehtib ka teiste teadaolevate reaalsete lekete kohta (järgmisel joonisel 6) sellistest allikatest nagu prügila Ida-Aasias (vasakul) või nafta- ja gaasirajatis Põhja-Ameerikas (paremal).
Joonis 6 – Ida-Aasia prügila (vasakul) ning Põhja-Ameerika nafta- ja gaasivälja (paremal) metaanivoogude intensiivsus
Kokkuvõttes võib meie meetod aidata tuvastada metaani heitkoguseid nii kontrollitud heitest kui ka erinevatest reaalsetest punktallikatest kogu maailmas. See toimib kõige paremini kaldal asuvate punktallikate puhul, mida ümbritsev taimestik on piiratud. See ei tööta off-shore-stseenide puhul, kuna SWIR-spektri kõrge neeldumine (st madal läbilaskvus) vees. Arvestades, et kavandatav tuvastamisalgoritm tugineb metaani intensiivsuse varieeruvusele, nõuab meie meetod ka lekkeeelseid vaatlusi. See võib muuta konstantse emissioonimääraga lekete jälgimise keeruliseks.
Koristage
Soovimatute tasude vältimiseks pärast metaani jälgimise töö lõpetamist veenduge, et lõpetate SageMakeri eksemplari ja kustutate kõik soovimatud kohalikud failid.
Järeldus
Kombineerides SageMakeri georuumilised võimalused avatud georuumiliste andmeallikatega, saate rakendada omaenda väga kohandatud kaugseirelahendusi ulatuslikult. See ajaveebi postitus keskendus metaani tuvastamisele, mis on valitsuste, valitsusväliste organisatsioonide ja muude organisatsioonide keskne valdkond, mis püüab avastada ja lõpuks vältida kahjulikke metaaniheitmeid. Saate juba täna alustada oma teekonda georuumilise analüüsi poole, keerutades SageMakeri georuumilise tuumaga sülearvuti ja juurutades oma tuvastuslahenduse. Vaadake GitHubi hoidla et alustada oma satelliidipõhise metaanituvastuslahenduse loomist. Tutvu ka sagemaker-näited hoidla täiendavate näidete ja õpetuste jaoks, kuidas kasutada SageMakeri georuumilisi võimalusi teistes reaalmaailma kaugseirerakendustes.
Autoritest
Dr Karsten Schroer on AWS-i lahenduste arhitekt. Ta toetab kliente andmete ja tehnoloogia võimendamisel, et edendada nende IT-infrastruktuuri jätkusuutlikkust ja luua pilvepõhiseid andmepõhiseid lahendusi, mis võimaldavad jätkusuutlikku tegevust nende vastavates vertikaalides. Karsten liitus AWS-iga pärast doktoriõpinguid rakendusliku masinõppe ja operatsioonide juhtimise alal. Ta on tõeliselt kirglik tehnoloogilistest lahendustest ühiskondlikele väljakutsetele ja armastab sukelduda sügavale nende lahenduste aluseks olevate meetoditesse ja rakendusarhitektuuridesse.
Janosch Woschitz on AWS-i vanemlahenduste arhitekt, kes on spetsialiseerunud georuumilisele AI/ML-ile. Üle 15-aastase kogemusega toetab ta kliente kogu maailmas tehisintellekti ja ML-i võimendamisel uuenduslike lahenduste leidmisel, mis kasutavad georuumilisi andmeid. Tema teadmised hõlmavad masinõpet, andmetehnoloogiat ja skaleeritavaid hajutatud süsteeme, millele lisandub tugev tarkvaratehnoloogia taust ja valdkonnateadmised keerulistes valdkondades, nagu autonoomne sõit.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 100
- 11
- 12
- 15 aastat
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- võime
- MEIST
- üle
- kiirendama
- kiirendatud
- vastuvõetav
- juurdepääs
- Ligipääs
- saavutada
- Omandab
- üle
- tegevus
- aktiivne
- Täiendavad lisad
- piisavalt
- külgnev
- taskukohane
- Aafrika
- pärast
- vastu
- AI
- AI / ML
- algoritm
- sama
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Ka
- Amazon
- Amazon SageMaker
- Amazon SageMaker georuumiline
- Amazon SageMaker Studio
- Amazon Web Services
- Ameerika
- vahel
- an
- analüüsid
- analytics
- ja
- loom
- mistahes
- API
- kohaldatav
- taotlus
- rakendused
- rakendatud
- lähenemine
- lähenemisviisid
- asjakohane
- ligikaudne
- umbes
- OLEME
- PIIRKOND
- arizona
- ümber
- Array
- AS
- Aasia
- aasia
- At
- Atmosfäär
- atmosfääri
- suurendatud
- automatiseerimine
- autonoomne
- saadaval
- keskmine
- vältima
- AWS
- tagapõhi
- Saldo
- BAND
- baas
- põhineb
- Baseline
- BE
- muutuma
- saada
- olnud
- BEST
- vahel
- Plokid
- Blogi
- mõlemad
- Kast
- ehitama
- Ehitus
- sisseehitatud
- kuid
- by
- arvutatud
- helistama
- CAN
- Saab
- kandidaat
- võimeid
- kapitaliseerima
- lüüa
- viima
- juhul
- juhtudel
- keskus
- kesk-
- kindel
- väljakutse
- väljakutseid
- raske
- muutma
- Vaidluste lahendamine
- omadused
- koormuste
- kontrollima
- valitud
- selgelt
- Kliima
- Kliimamuutus
- lähedal
- Cloud
- Söe
- kood
- koodi alus
- kombinatsioon
- ühendab
- kombineerimine
- kaubandus-
- Lõpetatud
- keeruline
- komponent
- koostis
- arvutamine
- Arvutama
- Murettekitav
- mures
- Konverents
- pidev
- piiranguid
- sisaldab
- kontekst
- jätkama
- sissemaksed
- kontrollitud
- Parandatud
- Parandused
- õigesti
- Vastav
- vastab
- Maksma
- kuluefektiivne
- võiks
- cover
- katmine
- kriitiline
- otsustav
- Praegune
- tava
- Kliendid
- kohandatud
- andmed
- andmepõhistele
- andmekogumid
- kuupäev
- kuupäev Kellaaeg
- Päeva
- otsus
- pühendunud
- sügav
- määratlema
- Määratleb
- juurutada
- määratud
- kavandatud
- soov
- detail
- üksikasjalik
- detailid
- avastama
- Detection
- kindlaksmääratud
- erinevus
- erinev
- raske
- otsene
- suund
- kõrvaldamine
- jagatud
- hajutatud süsteemid
- sukelduma
- ei
- Ei tee
- Domeenid
- juhtida
- joonistus
- ajam
- sõidu
- kaks
- ajal
- iga
- Ajalugu
- maa
- lihtsam
- Ida
- Tõhus
- tõhusalt
- kumbki
- emissioon
- Heitkoguste
- võimaldama
- võimaldades
- Lõpuks-lõpuni
- Inseneriteadus
- Inseneride
- rikastab
- tagama
- Kogu
- keskkond
- võrdne
- viga
- ESA
- oluline
- hinnangul
- EU
- hindama
- näide
- näited
- laiendades
- kallis
- kogemus
- eksperiment
- teadmised
- Exploited
- uurima
- uurida
- väljendatud
- väljavõte
- kaevandamine
- silm
- hõlbustada
- Rajatise
- asjaolu
- tegurid
- põllumajandus
- väli
- võitlema
- Joonis
- Faile
- Filtrid
- lõplik
- finants-
- leidmine
- järeldused
- esimene
- keskne
- Keskenduma
- keskendunud
- Järel
- järgneb
- eest
- formaat
- murdosa
- tasuta
- Sagedus
- Alates
- täis
- täielikult
- funktsionaalsus
- edasi
- tulevik
- GAS
- loodud
- genereerib
- geograafiline
- geograafiad
- saama
- GitHub
- antud
- Globaalne
- Ülemaailmselt
- maakera
- Go
- eesmärk
- hea
- Valitsused
- graafika
- suurem
- käsi
- kahjulik
- Olema
- he
- aitama
- aitab
- siin
- Suur
- Kõrgsagedus
- rohkem
- kõrgeim
- Esile tõstma
- kõrgelt
- tema
- võõrustas
- Kuidas
- Kuidas
- aga
- HTML
- HTTPS
- ID
- ideaalis
- Identifitseerimine
- tuvastatud
- identifitseerib
- identifitseerima
- IDd
- if
- illustreerib
- pilt
- pildid
- rakendada
- täitmine
- rakendatud
- rakendamisel
- in
- Teistes
- sisaldama
- hõlmab
- Kaasa arvatud
- näidustus
- tööstus
- info
- Infrastruktuur
- uuenduslik
- sisend
- teadmisi
- Näiteks
- instrumendid
- interaktiivne
- huvi
- Interface
- sisse
- sisse
- IT
- kirjed
- ITS
- töö
- liitunud
- teekond
- jpg
- lihtsalt
- hoidma
- Võti
- teatud
- l2
- suur
- suuremahuline
- lekkima
- Lekked
- Õppida
- õppimine
- kõige vähem
- lahkus
- vähem
- Tase
- võimendav
- raamatukogud
- valgus
- nagu
- piiratud
- nimekiri
- kirjandus
- kohalik
- loogika
- Pikk
- armastab
- Madal
- vähendada
- masin
- masinõpe
- peamine
- tegema
- Tegijad
- Tegemine
- juhtimine
- kaart
- mask
- sobitamine
- matemaatika
- matemaatiliselt
- maksimaalne
- keskmine
- tähendus
- tähendusrikas
- Metaandmed
- Metaani
- metaani heitkogused
- Metaani leke
- meetod
- meetodid
- Kaevandamine
- missioon
- missioonide
- ML
- mudel
- mudelid
- Jälgida
- järelevalve
- rohkem
- kõige
- mitmekordne
- nimi
- Nasa
- loodus
- Vajadus
- MTÜ
- ei
- mitte ükski
- põhja-
- Põhja-Ameerika
- märkmik
- number
- objekt
- tähelepanek
- oktoober
- oktoober 6
- of
- sageli
- Õli
- Nafta ja gaas
- on
- ONE
- jätkuv
- ainult
- avatud
- töötama
- Operations
- or
- organisatsioonid
- päritolu
- Muu
- meie
- välja
- üle
- enda
- paneel
- parameetrid
- isikutele
- sooritama
- möödub
- kirglik
- minevik
- protsent
- täitma
- teostatud
- täidab
- periood
- phd
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Pant
- rohke
- Punkt
- poliitika
- Poliitikakujundajad
- hulknurk
- võimalik
- post
- potentsiaal
- potentsiaalselt
- Ennustused
- olemasolu
- esitada
- Eelvaade
- eelmine
- varem
- protsess
- Töödeldud
- töötlemine
- toodab
- Toode
- omadused
- kinnisvara
- pakutud
- anda
- tingimusel
- annab
- eesmärkidel
- Python
- kvantifitseerimine
- Kiire
- kiiresti
- valik
- kiiresti
- määr
- Rates
- põhjendus
- Töötlemata
- jõudma
- kergesti
- päris maailm
- vähendamine
- viitama
- viide
- piirkond
- registri
- vabastama
- Pressiteated
- lootma
- kauge
- kõrvaldama
- Hoidla
- esindama
- esindavad
- esindab
- nõutav
- Vajab
- Teadlased
- resolutsioon
- ressurss
- ressursimahukas
- need
- vastus
- vastutav
- kaasa
- Tulemused
- tagasipöördumine
- Ilmutab
- RGB
- õige
- rutiinne
- jooksmine
- s
- salveitegija
- sama
- satelliit
- satelliidid
- skaalautuvia
- Skaala
- stseen
- stseenide
- teadlased
- ulatus
- Otsing
- lõigud
- vaata
- otsib
- nähtud
- väljavalitud
- vanem
- tundlik
- Tundlikkus
- Teenused
- mitu
- Lühike
- näitama
- näidatud
- Näitused
- märgatavalt
- sarnane
- lihtne
- ühekordne
- Saidid
- jupp
- ühiskondlik
- tarkvara
- tarkvaraarendus
- lahendus
- Lahendused
- mõned
- allikas
- Allikad
- kosmosepõhine
- ulatub
- ruumiline
- spetsialiseerunud
- konkreetse
- eriti
- spetsifikatsioonid
- määratletud
- Spektraalne
- spekter
- väljakud
- huvirühmad
- standard
- algus
- alustatud
- Samm
- Streigid
- tugev
- uuringud
- stuudio
- Uuring
- selline
- Soovitab
- sobiv
- Toetab
- Pind
- ümbritsev
- Jätkusuutlikkus
- jätkusuutlik
- süsteemid
- Võtma
- võtnud
- sihtmärk
- Tehniline
- Tehnoloogia
- et
- .
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- see
- need
- künnis
- Läbi
- aeg
- aega võttev
- korda
- ajatempel
- et
- Auto
- täna
- töövahendid
- Rong
- Muutma
- kohtuprotsess
- tõsi
- tõeliselt
- õpetused
- kaks
- tüüpiliselt
- meie
- lõpuks
- Alus
- ainulaadne
- ainulaadselt
- soovimatu
- us
- kasutama
- kasutage juhtumit
- kasutusalad
- kasutamine
- kinnitamine
- väärtus
- Väärtused
- sort
- eri
- vertikaalid
- nähtav
- visualiseerimine
- oli
- Jäätmed
- Tee..
- we
- web
- veebiteenused
- Hästi
- mis
- kuigi
- will
- koos
- jooksul
- Töö
- töötas
- töötab
- oleks
- pakkima
- X
- aastat
- saagikus
- sa
- Sinu
- sephyrnet