Metaani (CH4) on merkittävä ihmisen aiheuttama kasvihuonekaasu, joka on muiden lähteiden ohella öljyn ja kaasun louhinnan, kivihiilen louhinnan, laajamittaisen eläintuotannon ja jätehuollon sivutuote. Ilmaston lämpenemispotentiaali CH4 on 86 kertaa suurempi kuin CO2 ja hallitustenvälinen ilmastopaneeli IPCC arvioi sen metaani on vastuussa 30 prosentista tähän mennessä havaitusta ilmaston lämpenemisestä. CH4:n vuotojen nopea vähentäminen ilmakehään on kriittinen tekijä ilmastonmuutoksen torjunnassa. Vuonna 2021 YK esitteli Maailmanlaajuinen metaanilupaus ilmastonmuutoskonferenssissa (COP26), jonka tavoitteena oli "toimia nopeasti metaanin suhteen 1.5 asteen tulevaisuuden pitämiseksi ulottuvilla". Lupauksella on 150-allekirjoittajat mukaan lukien Yhdysvallat ja EU.
Metaanin lähteiden varhainen havaitseminen ja jatkuva seuranta on keskeinen osa metaania koskevia mielekkäitä toimia, ja siksi siitä on tulossa niin poliittisten päättäjien kuin organisaatioidenkin huolenaihe. Edullisten, tehokkaiden metaaninilmaisuratkaisujen toteuttaminen mittakaavassa – kuten paikan päällä olevat metaaniilmaisimet tai lentokoneisiin asennetut spektrometrit – on haastavaa, koska ne ovat usein epäkäytännöllisiä tai kohtuuttoman kalliita. Toisaalta satelliittien kaukokartoitus voi tarjota sidosryhmien toivoman maailmanlaajuisen, korkeataajuisen ja kustannustehokkaan tunnistustoiminnon.
Tässä blogikirjoituksessa näytämme, kuinka voit käyttää Sentinel 2 -satelliittikuvat, joita isännöi AWS Registry of Open Data yhdessä Amazon SageMakerin geospatiaaliset ominaisuudet havaita CH4-päästöjen pistelähteet ja seurata niitä ajan mittaan. piirtäminen tuoreet havainnot maanhavaintokirjallisuudesta Opit kuinka voit ottaa käyttöön mukautetun metaanin havaitsemisalgoritmin ja käyttää sitä metaanivuodon havaitsemiseen ja valvontaan useista eri paikoista ympäri maailmaa. Tämä postaus sisältää mukana oleva koodi GitHubissa joka tarjoaa lisää teknisiä yksityiskohtia ja auttaa sinua pääsemään alkuun oman metaanivalvontaratkaisusi kanssa.
Perinteisesti monimutkaisten geospatiaalisten analyysien tekeminen oli vaikeaa, aikaa vievää ja resursseja vaativaa työtä. Amazon SageMakerin geospatiaaliset ominaisuudet helpottaa datatieteilijöiden ja koneoppimisinsinöörien rakentamista, kouluttamista ja käyttöönottoa geospatiaalista tietoa käyttäen. Käyttämällä SageMakerin geospatiaalisia ominaisuuksia voit tehokkaasti muuntaa tai rikastaa laajamittaisia geospatiaalisia tietojoukkoja, nopeuttaa mallinrakennusta valmiiksi koulutetuilla koneoppimismalleilla (ML) ja tutkia malliennusteita ja paikkatietoa interaktiivisella kartalla käyttämällä kiihdytettyä 3D-grafiikkaa ja sisäänrakennettua. visualisointityökalut.
Metaanin pistelähteiden kaukokartoitus monispektristen satelliittikuvien avulla
Satelliittipohjaiset metaanitunnistusmenetelmät perustuvat tyypillisesti CH4:n ainutlaatuisiin läpäisyominaisuuksiin. Näkyvässä spektrissä CH4:n läpäisyarvot ovat yhtä suuret tai lähellä sitä, mikä tarkoittaa, että sitä ei voida havaita paljaalla silmällä. Tietyillä aallonpituuksilla metaani kuitenkin absorboi valoa (läpäisykyky <1), jota voidaan hyödyntää havaitsemistarkoituksiin. Tätä varten valitaan tyypillisesti lyhyen aallonpituuden infrapunaspektri (SWIR) (1–1500 nm spektrialue), josta CH2500 on parhaiten havaittavissa. Hyper- ja multispektriset satelliittitehtävät (eli ne, joissa on optisia laitteita, jotka sieppaavat kuvadataa useilla aallonpituusalueilla (kaistoilla) sähkömagneettisen spektrin yli) kattavat nämä SWIR-alueet ja edustavat siten potentiaalisia tunnistusinstrumentteja. Kuvassa 4 on esitetty metaanin läpäisyominaisuudet SWIR-spektrissä ja erilaisten ehdokasmonispektristen satelliittiinstrumenttien SWIR-peitto (mukautettu tätä opiskelu).
Kuva 1 – Metaanin läpäisyominaisuudet SWIR-spektrissä ja Sentinel-2:n monispektristen tehtävien kattavuus
Monia monispektrisiä satelliittitehtäviä rajoittaa joko alhainen uudelleenkäyntitiheys (esim. PRISMA Hyperspektraalinen noin 16 päivän kuluttua) tai alhaisella tilaresoluutiolla (esim. Sentinel 5 7.5 km x 7.5 km). Tietojen käyttökustannukset ovat lisähaaste: jotkin omistetut konstellaatiot toimivat kaupallisina tehtävinä, mikä saattaa heikentää CH4-päästötietoa tutkijoiden, päätöksentekijöiden ja muiden asianosaisten taloudellisten rajoitteiden vuoksi. ESA:n Sentinel-2 monispektritehtävä, johon tämä ratkaisu perustuu, löytää sopivan tasapainon uudelleenkäyntitaajuuden (noin 5 päivää), spatiaalisen resoluution (noin 20 m) ja avoimen pääsyn (isännöi AWS avoimen tiedon rekisteri).
Sentinel-2:ssa on kaksi kaistaa, jotka kattavat SWIR-spektrin (20 m:n resoluutiolla): kaista-11 (keskiaallonpituus 1610 nm) ja kaista-12 (keskiaallonpituus 2190 nm). Molemmat vyöhykkeet soveltuvat metaanin havaitsemiseen, kun taas vyöhykkeellä 12 on huomattavasti suurempi herkkyys CH4:n absorptiolle (katso kuva 1). Intuitiivisesti on olemassa kaksi mahdollista lähestymistapaa tämän SWIR-heijastustiedon käyttämiseen metaanin havaitsemiseen. Ensinnäkin voit keskittyä vain yhteen SWIR-kaistaan (ihannetapauksessa siihen, joka on herkin CH4-absorptiolle) ja laskea heijastuskyvyn pikselikohtaisen eron kahdessa eri satelliitin läpikulkussa. Vaihtoehtoisesti voit käyttää tietoja yhdestä satelliittipäästöstä havaitsemiseen käyttämällä kahta vierekkäistä spektrin SWIR-kaistaa, joilla on samanlaiset pinta- ja aerosoliheijastusominaisuudet, mutta joilla on erilaiset metaanin absorptio-ominaisuudet.
Tässä blogikirjoituksessa käyttämämme tunnistusmenetelmä yhdistää molemmat lähestymistavat. Me vedämme eteenpäin tuoreet havainnot maanhavaintokirjallisuudesta ja laskea ilmakehän yläosan (TOA) heijastussuhteen murto-osamuutos Δρ (eli Sentinel-2:n mittaama heijastuskyky, mukaan lukien ilmakehän aerosolien ja kaasujen osuudet) kahden satelliitin läpikulun ja kahden SWIR-kaistan välillä; yksi perusviiva, jossa ei ole metaania (perus) ja yksi tarkkailu, jossa epäillään aktiivista metaanipistelähdettä (monitori). Matemaattisesti tämä voidaan ilmaista seuraavasti:
jossa ρ on TOA-heijastuskyky mitattuna Sentinel-2:lla, cmonitori ja cpohja lasketaan regressioimalla kaistan 12 TOA-heijastusarvot kaistan 11 heijastusarvoihin koko kohtauksessa (eli ρb11 = c * ρb12). Katso lisätietoja tästä tutkimuksesta aiheesta poikkeavien metaanipistelähteiden korkeataajuinen seuranta monispektrisillä Sentinel-2-satelliittihavainnoilla.
Toteuta metaanin havaitsemisalgoritmi SageMakerin geospatiaalisilla ominaisuuksilla
Metaanin havaitsemisalgoritmin toteuttamiseen käytämme Amazon SageMaker Studion SageMaker geospatiaalista muistikirjaa. Gespatial-muistikirjan ydin on valmiiksi varustettu tärkeillä paikkatietokirjastoilla, kuten GDAL, GeoPandas, Muodokas, xarrayja Rasterio, mahdollistaa geospatiaalisen tiedon suoran visualisoinnin ja käsittelyn Python-muistikirjaympäristössä. Katso aloitusopas oppiaksesi SageMakerin geospatiaalisten ominaisuuksien käytön aloittamisesta.
SageMaker tarjoaa tarkoitukseen rakennetun API suunniteltu helpottamaan satelliittikuvien hakemista yhdistetyn käyttöliittymän kautta SearchRasterDataCollection API-kutsu. SearchRasterDataCollection
perustuu seuraaviin syöttöparametreihin:
Arn
: Kyselyn rasteritietokokoelman Amazon-resurssin nimi (ARN).AreaOfInterest
: polygoniobjekti (GeoJSON-muodossa), joka edustaa hakukyselyn kiinnostavaa aluettaTimeRangeFilter
: Määrittää kiinnostuksen kohteena olevan aika-alueen, jota merkitään{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Täydentäviä ominaisuussuodattimia, kuten maksimaalisen hyväksyttävän pilvipeitteen määritykset, voidaan myös sisällyttää
Tämä menetelmä tukee kyselyä erilaisista rasteritietolähteistä, joita voidaan tutkia soittamalla ListRasterDataCollections. Metaanin havaitsemistoteutuksessamme käytetään Sentinel-2 satelliittikuvat, johon voidaan viitata maailmanlaajuisesti seuraavan ARN:n avulla: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Tämä ARN edustaa Sentinel-2-kuvia, jotka on käsitelty tasolle 2A (pinnan heijastuskyky, ilmakehän mukaan korjattu). Metaanin havaitsemiseen käytämme huipputason (TOA) heijastustietoja (taso 1C), jotka eivät sisällä pintatason ilmakehän korjauksia, jotka tekisivät muutokset aerosolin koostumuksessa ja tiheydessä (eli metaanivuodot) havaitsemattomiksi. .
Tietyn pistelähteen mahdollisten päästöjen tunnistamiseksi tarvitsemme kaksi syöttöparametria: epäillyn pistelähteen koordinaatit ja määrätyn aikaleiman metaanipäästöjen tarkkailuun. Ottaen huomioon, että SearchRasterDataCollection
API käyttää monikulmioita tai monipolygoneja määrittämään kiinnostavan alueen (AOI), lähestymistapamme sisältää pistekoordinaattien laajentamisen ensin rajaavaksi laatikoksi ja sen jälkeen käyttämällä kyseistä polygonia Sentinel-2-kuvien etsimiseen käyttämällä SearchRasterDateCollection
.
Tässä esimerkissä tarkkailemme tunnettua metaanivuotoa öljykentältä Pohjois-Afrikassa. Tämä on standardi validointitapaus kaukokartoituskirjallisuudessa, ja siihen viitataan esimerkiksi julkaisussa tätä opiskella. Täysin suoritettava koodikanta tarjotaan amazon-sagemaker-esimerkkejä GitHub-arkistosta. Tässä korostamme vain valitut koodiosat, jotka edustavat keskeisiä rakennuspalikoita metaanin havaitsemisratkaisun toteuttamiseksi SageMakerin geospatiaalisilla ominaisuuksilla. Katso lisätiedot arkistosta.
Aloitamme alustamalla esimerkkitapauksen koordinaatit ja tavoiteseurantapäivämäärä.
#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
Seuraava koodinpätkä luo rajauslaatikon annetuille pistekoordinaateille ja suorittaa sitten haun käytettävissä oleville Sentinel-2-kuville rajauslaatikon ja määritetyn tarkkailupäivämäärän perusteella:
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)
Vastaus sisältää luettelon vastaavista Sentinel-2-kohteista ja niitä vastaavista metatiedoista. Nämä sisältävät Pilvioptimoidut geoTIFF-tiedostot (COG) Kaikkien Sentinel-2 bänditSekä thumbnail kuvia saadaksesi nopean esikatselun kuvan visuaalisista vyöhykkeistä. Luonnollisesti on myös mahdollista päästä käsiksi täyden resoluution satelliittikuvaan (RGB-diagrammi), joka näkyy seuraavassa kuvassa 2.
Kuva 2 – AOI:n satelliittikuva (RGB-kuvaaja).
Kuten aiemmin on kuvattu, havaitsemismenetelmämme perustuu murto-osien muutoksiin huippuilmakehän (TOA) SWIR-heijastuskyvyssä. Jotta tämä toimisi, hyvän lähtötilanteen tunnistaminen on ratkaisevan tärkeää. Hyvän lähtötilanteen löytämisestä voi nopeasti tulla ikävä prosessi, johon liittyy paljon yritystä ja erehdystä. Hyvä heuristiikka voi kuitenkin auttaa pitkälle automatisoimaan tätä hakuprosessia. Hakuheuristiikka, joka on toiminut hyvin aiemmin tutkituissa tapauksissa, on seuraava: menneisyyteen day_offset=n
päivinä, hae kaikki satelliittikuvat, poista kaikki pilvet ja leikkaa kuva AOI:lle. Laske sitten keskimääräinen kaistan 12 heijastuskyky AOI:n yli. Palauta sentinel-ruudun tunnus kuvalle, jonka keskimääräinen heijastuskyky on suurin kaistalla-12.
Tämä logiikka on toteutettu seuraavassa koodiotteessa. Sen perustelu perustuu siihen tosiasiaan, että vyöhyke 12 on erittäin herkkä CH4:n absorptiolle (katso kuva 1). Suurempi keskimääräinen heijastusarvo vastaa pienempää absorptiota lähteistä, kuten metaanipäästöistä, ja antaa siksi vahvan osoituksen päästöttömästä perustilanteesta.
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)
Tämän menetelmän avulla voimme arvioida sopivan peruspäivämäärän ja vastaavan Sentinel-2-ruudun ID:n. Sentinel-2-laattojen tunnukset sisältävät tietoa tehtävän tunnuksesta (Sentinel-2A/Sentinel-2B), yksilöllisestä ruudun numerosta (kuten 32SKA) ja kuvan ottopäivämäärästä muiden tietojen ohella ja tunnistavat havainnon (eli , Tapahtumapaikka). Esimerkissämme likimääräinen prosessi ehdottaa 6. lokakuuta 2019 (Sentinel-2-ruutu: S2B_32SKA_20191006_0_L2A
), sopivimpana lähtökohtaehdokkaana.
Seuraavaksi voimme laskea korjatun murto-osan heijastussuhteen muutoksen peruspäivämäärän ja sen päivämäärän välillä, jota haluamme seurata. Korjauskertoimet c (katso edellä oleva yhtälö 1) voidaan laskea seuraavalla koodilla:
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]
Yhtälön 1 täydellinen toteutus esitetään seuraavassa koodinpätkässä:
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
Lopuksi voimme kääriä yllä olevat menetelmät päästä päähän -rutiiniksi, joka tunnistaa AOI:n tietyllä pituus- ja leveysasteella, tarkkailupäivämäärän ja perusviivaruudun, hankkii tarvittavat satelliittikuvat ja suorittaa murto-osan heijastussuhteen muutoksen laskennan.
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
Tämän menetelmän suorittaminen aiemmin määrittämillämme parametreilla tuottaa SWIR TOA -heijastuskyvyn murto-osan muutoksen xarray.DataArray. Voimme suorittaa tuloksen ensimmäisen visuaalisen tarkastuksen suorittamalla yksinkertaisen plot()
kutsu tässä tietojoukossa. Menetelmämme paljastaa metaanipilven läsnäolon AOI:n keskellä, jota ei voitu havaita aiemmin nähdyssä RGB-kaaviossa.
Kuva 3 – Fraktionaalinen heijastusmuutos TOA-heijastuskyvyssä (SWIR-spektri)
Viimeisenä vaiheena poimimme tunnistetun metaanitulvan ja peitämme sen raaka RGB-satelliittikuvan päälle, jotta saadaan tärkeä maantieteellinen konteksti. Tämä saavutetaan kynnyksellä, joka voidaan toteuttaa seuraavassa esitetyllä tavalla:
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
Meidän tapauksessamme kynnysarvo -0.02 murto-osa heijastuskyvyssä antaa hyviä tuloksia, mutta tämä voi vaihdella kohtauksesta toiseen, ja sinun on kalibroitava tämä käyttötarkoitustasi varten. Seuraavassa kuvassa 4 havainnollistetaan, kuinka pillun peittokuva luodaan yhdistämällä AOI:n raakasatelliittikuva naamioituun pilviin yhdeksi yhdistelmäkuvaksi, joka esittää metaanipilven sen maantieteellisessä kontekstissa.
Kuva 4 – RGB-kuva, heijastussuhteen muutos TOA-heijastuksessa (SWIR-spektri) ja metaanipilven peittokuva AOI:lle
Ratkaisun validointi todellisten metaanipäästötapahtumien avulla
Viimeisenä vaiheena arvioimme menetelmämme sen kyvyn havaita oikein ja paikantaa metaanivuodot useista lähteistä ja maantieteellisistä alueista. Ensinnäkin käytämme kontrolloitua metaanin vapautumiskoetta, joka on erityisesti suunniteltu avaruudessa tapahtuvan pistelähteen havaitsemisen validointi ja maalla olevien metaanipäästöjen kvantifiointi. Tässä vuoden 2021 kokeessa tutkijat suorittivat useita metaanipäästöjä Ehrenbergissä, Arizonassa 19 päivän aikana. Havaitsemismenetelmämme suorittaminen yhdelle Sentinel-2-kierroksesta kokeen aikana tuottaa seuraavan tuloksen, jossa näkyy metaanipilvi:
Kuva 5 – Arizonan kontrolloidun päästön kokeen metaanipiippujen intensiteetit
Kontrolloidun vapautumisen aikana syntyvä pillu tunnistetaan selvästi havaitsemismenetelmämme avulla. Sama koskee muita tunnettuja todellisia vuotoja (seuraavassa kuvassa 6) sellaisista lähteistä kuin Itä-Aasiassa sijaitseva kaatopaikka (vasemmalla) tai öljy- ja kaasulaitos Pohjois-Amerikassa (oikealla).
Kuva 6 – Itä-Aasian kaatopaikan (vasemmalla) ja Pohjois-Amerikan öljy- ja kaasukentän (oikealla) metaanipiippujen voimakkuus
Yhteenvetona voidaan todeta, että menetelmämme voi auttaa tunnistamaan metaanipäästöt sekä valvotuista päästöistä että erilaisista todellisista pistelähteistä ympäri maailmaa. Tämä toimii parhaiten maissa sijaitseville pistelähteille, joiden kasvillisuus on rajoitettua. Se ei toimi offshore-kohtauksissa johtuen SWIR-spektrin korkea absorptio (eli alhainen läpäisykyky) vedellä. Koska ehdotettu tunnistusalgoritmi perustuu metaanin intensiteetin vaihteluihin, menetelmämme edellyttää myös vuotoa edeltäviä havaintoja. Tämä voi tehdä vuotojen seurannasta tasaisen päästömäärän kanssa haastavaa.
Puhdistaa
Välttääksesi ei-toivotut maksut metaaninvalvontatyön jälkeen, varmista, että lopetat SageMaker-ilmentymän ja poistat ei-toivotut paikalliset tiedostot.
Yhteenveto
Yhdistämällä SageMakerin geospatiaaliset ominaisuudet avoimiin paikkatietolähteisiin voit toteuttaa omia pitkälle räätälöityjä etävalvontaratkaisusi mittakaavassa. Tämä blogiviesti keskittyi metaanin havaitsemiseen, joka on hallitusten, kansalaisjärjestöjen ja muiden organisaatioiden keskipistealue, joka pyrkii havaitsemaan ja lopulta välttämään haitallisia metaanipäästöjä. Voit aloittaa oman matkasi geospatiaaliseen analytiikkaan tänään pyörittämällä muistikirjan SageMaker geospatiaalisen ytimen avulla ja toteuttamalla oman tunnistusratkaisusi. Katso GitHub-arkisto aloittaaksesi oman satelliittipohjaisen metaanintunnistusratkaisusi rakentamisen. Tutustu myös sagemaker-esimerkkejä arkisto lisäesimerkeille ja opetusohjelmille SageMakerin geospatiaalisten ominaisuuksien käyttämisestä muissa todellisissa kaukokartoitussovelluksissa.
Tietoja kirjoittajista
Tohtori Karsten Schroer on ratkaisuarkkitehti AWS:ssä. Hän tukee asiakkaita datan ja teknologian hyödyntämisessä IT-infrastruktuurinsa kestävyyden edistämisessä ja pilvipohjaisten datapohjaisten ratkaisujen rakentamisessa, jotka mahdollistavat kestävän toiminnan heidän toimialoillaan. Karsten liittyi AWS:ään sovelletun koneoppimisen ja toiminnanhallinnan tohtoriopintojensa jälkeen. Hän on todella intohimoinen teknologiapohjaisista ratkaisuista yhteiskunnallisiin haasteisiin ja rakastaa sukeltaa syvälle näiden ratkaisujen taustalla oleviin menetelmiin ja sovellusarkkitehtuureihin.
Janosch Woschitz on AWS:n vanhempi ratkaisuarkkitehti, joka on erikoistunut geospatiaaliseen tekoälyyn/ML:ään. Yli 15 vuoden kokemuksella hän tukee asiakkaita maailmanlaajuisesti hyödyntämään tekoälyn ja ML:n innovatiivisia ratkaisuja, jotka hyödyntävät geospatiaalista dataa. Hänen asiantuntemuksensa kattaa koneoppimisen, tietotekniikan ja skaalautuvat hajautetut järjestelmät, ja sitä täydentää vahva tausta ohjelmistosuunnittelussa ja alan asiantuntemus monimutkaisilla aloilla, kuten autonomisella ajolla.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 100
- 11
- 12
- 15 vuotta
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- kyky
- Meistä
- edellä
- kiihdyttää
- kiihtyi
- hyväksyttävä
- pääsy
- Pääsy
- saavutettu
- Ostaa
- poikki
- Toiminta
- aktiivinen
- lisä-
- asianmukaisesti
- vierekkäinen
- edullinen
- Afrikka
- Jälkeen
- vastaan
- AI
- AI / ML
- algoritmi
- samoin
- Kaikki
- mahdollistaa
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geospatiaalinen
- Amazon SageMaker Studio
- Amazon Web Services
- Amerikka
- keskuudessa
- an
- analyysit
- Analytics
- ja
- eläin
- Kaikki
- api
- sovelletaan
- Hakemus
- sovellukset
- sovellettu
- lähestymistapa
- lähestymistavat
- sopiva
- lähentää
- suunnilleen
- OVAT
- ALUE
- arizona
- noin
- Ryhmä
- AS
- Aasia
- aasialainen
- At
- Tunnelma
- ilmakehän
- täydennetty
- automatisointi
- autonominen
- saatavissa
- keskimäärin
- välttää
- AWS
- tausta
- Balance
- Bändi
- pohja
- perustua
- Lähtötilanne
- BE
- tulevat
- tulossa
- ollut
- PARAS
- välillä
- Blocks
- Uutiset ja media
- sekä
- Laatikko
- rakentaa
- Rakentaminen
- sisäänrakennettu
- mutta
- by
- laskettu
- soittaa
- CAN
- Voi saada
- ehdokkaat
- kyvyt
- pääomittaa
- kaapata
- kuljettaa
- tapaus
- tapauksissa
- keskus
- keskeinen
- tietty
- haaste
- haasteet
- haastava
- muuttaa
- Muutokset
- ominaisuudet
- maksut
- tarkastaa
- valittu
- selvästi
- Ilmasto
- Ilmastonmuutos
- lähellä
- pilvi
- Kivihiili
- koodi
- koodikanta
- yhdistelmä
- yhdistää
- yhdistely
- kaupallinen
- Valmistunut
- monimutkainen
- komponentti
- koostumus
- laskeminen
- Laskea
- Koskea
- huolestunut
- Konferenssi
- vakio
- rajoitteet
- sisältää
- tausta
- jatkaa
- maksut
- hallinnassa
- korjattu
- Korjaukset
- oikein
- vastaava
- vastaa
- Hinta
- kustannustehokas
- voisi
- kattaa
- kattavuus
- kriittinen
- ratkaiseva
- Nykyinen
- asiakassuhde
- Asiakkaat
- räätälöityjä
- tiedot
- data-driven
- aineistot
- Päivämäärä
- treffiaika
- päivää
- päätös
- omistautunut
- syvä
- määritellä
- määrittelee
- sijoittaa
- nimetty
- suunniteltu
- halu
- yksityiskohta
- yksityiskohtainen
- yksityiskohdat
- havaita
- Detection
- määritetty
- ero
- eri
- vaikea
- ohjata
- suunta
- hävittäminen
- jaettu
- hajautetut järjestelmät
- sukellus
- ei
- ei
- verkkotunnuksia
- piirtää
- piirustus
- ajaa
- ajo
- kaksi
- aikana
- kukin
- Aikaisemmin
- maa
- helpompaa
- Itään
- Tehokas
- tehokkaasti
- myöskään
- päästö
- Päästöt
- mahdollistaa
- mahdollistaa
- päittäin
- Tekniikka
- Engineers
- rikastuttaa
- varmistaa
- Koko
- ympäristö
- yhtäläinen
- virhe
- ESA
- olennainen
- arviot
- EU
- arvioida
- esimerkki
- Esimerkit
- laajenee
- kallis
- experience
- kokeilu
- asiantuntemus
- hyödynnetään
- tutkia
- tutkitaan
- ilmaistuna
- uute
- uuttaminen
- silmä
- helpottamaan
- Laitos
- tosiasia
- tekijät
- maanviljely
- ala
- taistella
- Kuva
- Asiakirjat
- suodattimet
- lopullinen
- taloudellinen
- löytäminen
- tulokset
- Etunimi
- keskeinen
- Keskittää
- keskityttiin
- jälkeen
- seuraa
- varten
- muoto
- murto-
- Ilmainen
- Taajuus
- alkaen
- koko
- täysin
- toiminnallisuus
- edelleen
- tulevaisuutta
- GAS
- syntyy
- synnyttää
- maantieteellinen
- maantieteelliset alueet
- saada
- GitHub
- tietty
- Global
- Maailmanlaajuisesti
- maapallo
- Go
- tavoite
- hyvä
- hallitukset
- grafiikka
- suurempi
- käsi
- haitallinen
- Olla
- he
- auttaa
- auttaa
- tätä
- Korkea
- Korkeataajuus
- korkeampi
- suurin
- Korostaa
- erittäin
- hänen
- isännöi
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- ID
- ihannetapauksessa
- Tunnistaminen
- tunnistettu
- tunnistaa
- tunnistaa
- ids
- if
- havainnollistaa
- kuva
- kuvien
- toteuttaa
- täytäntöönpano
- täytäntöön
- täytäntöönpanosta
- in
- Muilla
- sisältää
- sisältää
- Mukaan lukien
- osoitus
- teollisuus
- tiedot
- Infrastruktuuri
- innovatiivinen
- panos
- oivalluksia
- esimerkki
- välineet
- vuorovaikutteinen
- korko
- liitäntä
- tulee
- käyttöön
- IT
- kohdetta
- SEN
- Job
- liittyi
- matka
- jpg
- vain
- Pitää
- avain
- tunnettu
- l2
- suuri
- laaja
- vuotaa
- Vuodot
- OPPIA
- oppiminen
- vähiten
- vasemmalle
- vähemmän
- Taso
- vipuvaikutuksen
- kirjastot
- valo
- pitää
- rajallinen
- Lista
- kirjallisuus
- paikallinen
- logiikka
- Pitkät
- rakastaa
- Matala
- alentaa
- kone
- koneoppiminen
- merkittävä
- tehdä
- Makers
- Tekeminen
- johto
- kartta
- naamio
- matching
- matematiikka
- matemaattisesti
- maksimi
- tarkoittaa
- merkitys
- mielekäs
- Metadata
- metaani
- metaanipäästöt
- Metaanin vuoto
- menetelmä
- menetelmät
- kaivos-
- Tehtävä
- tehtävät
- ML
- malli
- mallit
- monitori
- seuranta
- lisää
- eniten
- moninkertainen
- nimi
- Nasa
- luonto
- Tarve
- Kansalaisjärjestöt
- Nro
- Ei eristetty
- Pohjoiseen
- Pohjois-Amerikka
- muistikirja
- numero
- objekti
- havainto
- lokakuu
- lokakuu 6
- of
- usein
- Öljy
- Öljy ja kaasu
- on
- ONE
- jatkuva
- vain
- avata
- käyttää
- Operations
- or
- organisaatioiden
- peräisin
- Muut
- meidän
- ulos
- yli
- oma
- paneeli
- parametrit
- osapuolet
- kulkea
- kulkee
- intohimoinen
- Ohi
- prosentti
- Suorittaa
- suoritettu
- suorittaa
- aika
- phd
- Platon
- Platonin tietotieto
- PlatonData
- pantti
- paljon
- Kohta
- politiikka
- Policy Makers
- Monikulmio
- mahdollinen
- Kirje
- mahdollinen
- mahdollisesti
- Ennusteet
- läsnäolo
- esittää
- preview
- edellinen
- aiemmin
- prosessi
- Käsitelty
- käsittely
- tuottaa
- Tuotteet
- ominaisuudet
- omaisuus
- ehdotettu
- toimittaa
- mikäli
- tarjoaa
- tarkoituksiin
- Python
- määrällisesti
- nopea
- nopeasti
- alue
- nopeasti
- hinta
- Hinnat
- perussyyt
- raaka
- tavoittaa
- helposti
- todellinen maailma
- vähentämällä
- katso
- viite
- alue
- rekisterin
- vapauta
- Tiedotteet
- luottaa
- kaukosäädin
- poistaa
- säilytyspaikka
- edustaa
- edustavat
- edustaa
- tarvitaan
- Vaatii
- Tutkijat
- päätöslauselma
- resurssi
- resursseja kuluttava
- ne
- vastaus
- vastuullinen
- johtua
- tulokset
- palata
- paljastaa
- RGB
- oikein
- rutiini
- juoksu
- s
- sagemaker
- sama
- satelliitti
- satelliitit
- skaalautuva
- Asteikko
- kohtaus
- kohtaukset
- tutkijat
- laajuus
- Haku
- osiot
- nähdä
- etsiä
- nähneet
- valittu
- vanhempi
- sensible
- Herkkyys
- Palvelut
- useat
- Lyhyt
- näyttää
- esitetty
- Näytä
- merkittävästi
- samankaltainen
- Yksinkertainen
- single
- Sivustot
- pätkä
- yhteiskunnallinen
- Tuotteemme
- ohjelmistotuotanto
- ratkaisu
- Ratkaisumme
- jonkin verran
- lähde
- Lähteet
- avaruudessa toimivia
- jännevälien
- tila-
- erikoistunut
- erityinen
- erityisesti
- tekniset tiedot
- määritelty
- spektri-
- spektri
- neliöitä
- sidosryhmien
- standardi
- Alkaa
- alkoi
- Vaihe
- lakot
- vahva
- opinnot
- studio
- tutkimus
- niin
- Ehdottaa
- sopiva
- Tukee
- pinta
- ympäröivä
- kestävyys
- kestävä
- järjestelmät
- ottaa
- otettava
- Kohde
- Tekninen
- Elektroniikka
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- tätä
- ne
- kynnys
- Kautta
- aika
- aikaavievä
- kertaa
- aikaleima
- että
- huone
- tänään
- työkalut
- Juna
- Muuttaa
- oikeudenkäynti
- totta
- todella
- opetusohjelmat
- kaksi
- tyypillisesti
- meille
- Lopulta
- Underlie
- unique
- ainoastaan
- toivottuja
- us
- käyttää
- käyttölaukku
- käyttötarkoituksiin
- käyttämällä
- validointi
- arvo
- arvot
- lajike
- eri
- pystysuunnassa
- näkyvä
- visualisointi
- oli
- Jätteet
- Tapa..
- we
- verkko
- verkkopalvelut
- HYVIN
- joka
- vaikka
- tulee
- with
- sisällä
- Referenssit
- työskenteli
- toimii
- olisi
- kääri
- X
- vuotta
- saannot
- Voit
- Sinun
- zephyrnet