Le méthane (CH4) est un gaz à effet de serre anthropique majeur qui est un sous-produit de l'extraction de pétrole et de gaz, de l'exploitation minière du charbon, de l'élevage à grande échelle et de l'élimination des déchets, entre autres sources. Le potentiel de réchauffement climatique de Le CH4 est 86 fois supérieur à celui du CO2 et le Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) estime que le méthane est responsable de 30 pour cent du réchauffement climatique observé à ce jour. Réduire rapidement les fuites de CH4 dans l’atmosphère constitue un élément essentiel de la lutte contre le changement climatique. En 2021, l'ONU a introduit L'engagement mondial pour le méthane à la Conférence sur le changement climatique (COP26), avec pour objectif de prendre « des mesures rapides contre le méthane pour garder un avenir à 1.5°C à portée de main ». L'engagement a Signataires 150 y compris les États-Unis et l’Union européenne.
La détection précoce et la surveillance continue des sources de méthane constituent un élément clé d’une action significative contre le méthane et deviennent donc une préoccupation pour les décideurs politiques et les organisations. Mettre en œuvre des solutions de détection de méthane abordables et efficaces à grande échelle, telles que des détecteurs de méthane sur site ou spectromètres embarqués – est un défi, car ils sont souvent peu pratiques ou d’un coût prohibitif. La télédétection à l’aide de satellites, en revanche, peut fournir la fonctionnalité de détection à l’échelle mondiale, à haute fréquence et rentable, souhaitée par les parties prenantes.
Dans cet article de blog, nous vous montrons comment utiliser Images satellite Sentinel 2 hébergées sur le registre AWS des données ouvertes en combinaison avec Fonctionnalités géospatiales d'Amazon SageMaker détecter les sources ponctuelles d’émissions de CH4 et les surveiller au fil du temps. Se basant sur découvertes récentes de la littérature sur l'observation de la Terre vous apprendrez comment mettre en œuvre un algorithme de détection de méthane personnalisé et l'utiliser pour détecter et surveiller les fuites de méthane provenant de divers sites à travers le monde. Ce message comprend code d'accompagnement sur GitHub qui fournit des détails techniques supplémentaires et vous aide à démarrer avec votre propre solution de surveillance du méthane.
Traditionnellement, la réalisation d’analyses géospatiales complexes était une entreprise difficile, longue et gourmande en ressources. Fonctionnalités géospatiales d'Amazon SageMaker permettre aux scientifiques des données et aux ingénieurs en apprentissage automatique de créer, former et déployer plus facilement des modèles à l'aide de données géospatiales. Grâce aux capacités géospatiales de SageMaker, vous pouvez transformer ou enrichir efficacement des ensembles de données géospatiales à grande échelle, accélérer la création de modèles avec des modèles d'apprentissage automatique (ML) pré-entraînés et explorer les prédictions de modèles et les données géospatiales sur une carte interactive à l'aide de graphiques accélérés 3D et de fonctionnalités intégrées. outils de visualisation.
Télédétection de sources ponctuelles de méthane à l'aide d'images satellite multispectrales
Les approches de détection du méthane par satellite reposent généralement sur les caractéristiques de transmission uniques du CH4. Dans le spectre visible, le CH4 a des valeurs de transmission égales ou proches de 1, ce qui signifie qu'il est indétectable à l'œil nu. Cependant, sur certaines longueurs d’onde, le méthane absorbe la lumière (transmittance <1), une propriété qui peut être exploitée à des fins de détection. Pour cela, le spectre infrarouge à courte longueur d'onde (SWIR) (plage spectrale de 1500 2500 à 4 1 nm) est généralement choisi, où le CHXNUMX est le plus détectable. Les missions satellitaires hyper et multispectrales (c'est-à-dire celles dotées d'instruments optiques qui capturent des données d'image dans plusieurs plages de longueurs d'onde (bandes) à travers le spectre électromagnétique) couvrent ces plages SWIR et représentent donc des instruments de détection potentiels. La figure XNUMX représente les caractéristiques de transmission du méthane dans le spectre SWIR et la couverture SWIR de divers instruments satellitaires multispectraux candidats (adaptés de this étude).
Figure 1 – Caractéristiques de transmission du méthane dans le spectre SWIR et couverture des missions multispectrales Sentinel-2
De nombreuses missions satellitaires multispectrales sont limitées soit par une faible fréquence de revisite (par exemple, PRISMA hyperspectral à environ 16 jours) ou par faible résolution spatiale (par exemple, Sentinel 5 à 7.5 km x 7.5 km). Le coût d'accès aux données constitue un défi supplémentaire : certaines constellations dédiées fonctionnent comme des missions commerciales, ce qui rend potentiellement les informations sur les émissions de CH4 moins accessibles aux chercheurs, aux décideurs et aux autres parties concernées en raison de contraintes financières. l'ESA Mission multispectrale Sentinelle-2, sur lequel repose cette solution, établit un équilibre approprié entre le taux de revisite (environ 5 jours), la résolution spatiale (environ 20 m) et l'accès ouvert (hébergé sur le Registre AWS des données ouvertes).
Sentinel-2 possède deux bandes qui couvrent le spectre SWIR (à une résolution de 20 m) : bande 11 (longueur d'onde centrale de 1610 12 nm) et bande 2190 (longueur d'onde centrale de 12 4 nm). Les deux bandes conviennent à la détection du méthane, tandis que la bande 1 a une sensibilité nettement plus élevée à l'absorption du CH4 (voir Figure XNUMX). Intuitivement, il existe deux approches possibles pour utiliser ces données de réflectance SWIR pour la détection du méthane. Tout d’abord, vous pouvez vous concentrer sur une seule bande SWIR (idéalement celle qui est la plus sensible à l’absorption du CHXNUMX) et calculer la différence de réflectance pixel par pixel sur deux passages de satellite différents. Vous pouvez également utiliser les données d'un seul passage de satellite pour la détection en utilisant les deux bandes spectrales SWIR adjacentes qui ont des propriétés de réflectance de surface et d'aérosol similaires, mais des caractéristiques d'absorption du méthane différentes.
La méthode de détection que nous mettons en œuvre dans cet article de blog combine les deux approches. Nous nous appuyons sur découvertes récentes de la littérature sur l'observation de la Terre et calculer le changement fractionnaire de la réflectance au sommet de l'atmosphère (TOA) Δρ (c'est-à-dire la réflectance mesurée par Sentinel-2 incluant les contributions des aérosols et des gaz atmosphériques) entre deux passages de satellite et les deux bandes SWIR ; une passe de référence où aucun méthane n'est présent (base) et une passe de surveillance où une source ponctuelle active de méthane est suspectée (surveillance). Mathématiquement, cela peut s'exprimer ainsi :
où ρ est la réflectance TOA telle que mesurée par Sentinel-2, cmoniteur et Cbase sont calculés en régressant les valeurs de réflectance TOA de la bande 12 par rapport à celles de la bande 11 sur l'ensemble de la scène (c'est-à-dire ρb11 = c * ρb12). Pour plus de détails, se référer à cette étude sur surveillance à haute fréquence de sources ponctuelles anormales de méthane avec des observations multispectrales du satellite Sentinel-2.
Implémenter un algorithme de détection de méthane avec les capacités géospatiales de SageMaker
Pour implémenter l'algorithme de détection de méthane, nous utilisons le bloc-notes géospatial SageMaker dans Amazon SageMaker Studio. Le noyau du carnet géospatial est pré-équipé de bibliothèques géospatiales essentielles telles que GDAL, GéoPandas, Galbé, tableau xet une Rasterio, permettant la visualisation et le traitement directs des données géospatiales dans l'environnement de notebook Python. Voir le Guide de Démarrage pour savoir comment commencer à utiliser les fonctionnalités géospatiales de SageMaker.
SageMaker fournit un outil spécialement conçu API conçu pour faciliter la récupération d'images satellite via une interface consolidée utilisant le RechercheRasterDataCollection Appel API. SearchRasterDataCollection
s'appuie sur les paramètres d'entrée suivants :
Arn
: Le nom de ressource Amazon (ARN) de la collection de données raster interrogéeAreaOfInterest
: Un objet polygone (au format GeoJSON) représentant la région d'intérêt pour la requête de rechercheTimeRangeFilter
: Définit la plage horaire d’intérêt, notée{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Des filtres de propriétés supplémentaires, tels que des spécifications pour la couverture nuageuse maximale acceptable, peuvent également être incorporés.
Cette méthode prend en charge les requêtes à partir de diverses sources de données raster qui peuvent être explorées en appelant ListRasterDataCollections. Notre implémentation de détection de méthane utilise Imagerie satellite Sentinel-2, qui peut être référencé globalement à l'aide de l'ARN suivant : arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Cet ARN représente l'imagerie Sentinel-2, qui a été traitée au niveau 2A (réflectance de surface, corrigée atmosphériquement). À des fins de détection du méthane, nous utiliserons les données de réflectance au sommet de l'atmosphère (TOA) (niveau 1C), qui n'incluent pas les corrections atmosphériques au niveau de la surface qui rendraient les changements dans la composition et la densité des aérosols (c'est-à-dire les fuites de méthane) indétectables. .
Pour identifier les émissions potentielles d'une source ponctuelle spécifique, nous avons besoin de deux paramètres d'entrée : les coordonnées de la source ponctuelle suspectée et un horodatage désigné pour la surveillance des émissions de méthane. Étant donné que le SearchRasterDataCollection
L'API utilise des polygones ou des multi-polygones pour définir une zone d'intérêt (AOI). Notre approche consiste d'abord à étendre les coordonnées du point dans un cadre englobant, puis à utiliser ce polygone pour interroger les images Sentinel-2 à l'aide de SearchRasterDateCollection
.
Dans cet exemple, nous surveillons une fuite de méthane connue provenant d’un champ pétrolier en Afrique du Nord. Il s'agit d'un cas de validation standard dans la littérature sur la télédétection et il est référencé, par exemple, dans this étude. Une base de code entièrement exécutable est fournie sur le amazon-sagemaker-examples Dépôt GitHub. Ici, nous mettons en évidence uniquement les sections de code sélectionnées qui représentent les éléments de base clés pour la mise en œuvre d'une solution de détection de méthane avec les capacités géospatiales de SageMaker. Consultez le référentiel pour plus de détails.
Nous commençons par initialiser les coordonnées et la date cible de suivi pour le cas exemple.
#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
L'extrait de code suivant génère un cadre englobant pour les coordonnées du point donné, puis effectue une recherche des images Sentinel-2 disponibles en fonction du cadre englobant et de la date de surveillance spécifiée :
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)
La réponse contient une liste d'éléments Sentinel-2 correspondants et leurs métadonnées correspondantes. Ceux-ci inclus GeoTIFF optimisés pour le cloud (COG) pour tous Bandes Sentinel-2, aussi bien que thumbnail images pour un aperçu rapide des bandes visuelles de l’image. Bien entendu, il est également possible d'accéder à l'image satellite en pleine résolution (tracé RVB), présentée dans la figure 2 qui suit.
Figure 2 – Image satellite (tracé RVB) de l’AOI
Comme détaillé précédemment, notre approche de détection repose sur des changements fractionnaires de la réflectance SWIR au sommet de l'atmosphère (TOA). Pour que cela fonctionne, l’identification d’une bonne base de référence est cruciale. Trouver une bonne base de référence peut rapidement devenir un processus fastidieux qui implique de nombreux essais et erreurs. Cependant, de bonnes heuristiques peuvent grandement contribuer à automatiser ce processus de recherche. Une heuristique de recherche qui a bien fonctionné pour les cas étudiés dans le passé est la suivante : pour le passé day_offset=n
jours, récupérez toutes les images satellite, supprimez tous les nuages et coupez l'image sur la zone d'intérêt dans la portée. Calculez ensuite la réflectance moyenne de la bande 12 sur l’AOI. Renvoie l’ID de tuile Sentinel de l’image avec la réflectance moyenne la plus élevée dans la bande 12.
Cette logique est implémentée dans l'extrait de code suivant. Sa justification repose sur le fait que la bande 12 est très sensible à l’absorption du CH4 (voir Figure 1). Une valeur de réflectance moyenne plus élevée correspond à une absorption plus faible provenant de sources telles que les émissions de méthane et fournit donc une forte indication d'une scène de référence sans émissions.
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)
L’utilisation de cette méthode nous permet d’approcher une date de référence appropriée et l’ID de tuile Sentinel-2 correspondant. Les ID de tuile Sentinel-2 contiennent des informations sur l'ID de mission (Sentinel-2A/Sentinel-2B), le numéro de tuile unique (par exemple, 32SKA) et la date à laquelle l'image a été prise, entre autres informations et identifient de manière unique une observation (c'est-à-dire , une scène). Dans notre exemple, le processus d'approximation suggère le 6 octobre 2019 (tuile Sentinel-2 : S2B_32SKA_20191006_0_L2A
), comme le candidat de base le plus approprié.
Ensuite, nous pouvons calculer le changement fractionnaire corrigé de la réflectance entre la date de référence et la date que nous souhaitons surveiller. Les facteurs de correction c (voir l'équation 1 précédente) peuvent être calculés avec le code suivant :
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]
L'implémentation complète de l'équation 1 est donnée dans l'extrait de code suivant :
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
Enfin, nous pouvons intégrer les méthodes ci-dessus dans une routine de bout en bout qui identifie l'AOI pour une longitude et une latitude données, surveille la date et la tuile de référence, acquiert l'imagerie satellite requise et effectue le calcul du changement de réflectance fractionnaire.
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
L'exécution de cette méthode avec les paramètres que nous avons déterminés précédemment donne le changement fractionnaire de la réflectance SWIR TOA sous forme de xarray.DataArray. Nous pouvons effectuer une première inspection visuelle du résultat en exécutant un simple plot()
invocation sur ce tableau de données. Notre méthode révèle la présence d'un panache de méthane au centre de l'AOI qui était indétectable dans le tracé RVB vu précédemment.
Figure 3 – Changement de réflectance fractionnaire dans la réflectance TOA (spectre SWIR)
Dans une dernière étape, nous extrayons le panache de méthane identifié et le superposons sur une image satellite RVB brute pour fournir le contexte géographique important. Ceci est réalisé par un seuillage, qui peut être mis en œuvre comme indiqué ci-dessous :
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
Pour notre cas, un seuil de -0.02 changement fractionnaire de réflectance donne de bons résultats, mais cela peut changer d'une scène à l'autre et vous devrez le calibrer pour votre cas d'utilisation spécifique. La figure 4 qui suit illustre comment la superposition du panache est générée en combinant l'image satellite brute de la zone d'intérêt avec le panache masqué en une seule image composite qui montre le panache de méthane dans son contexte géographique.
Figure 4 – Image RVB, changement de réflectance fractionnaire dans la réflectance TOA (spectre SWIR) et superposition de panache de méthane pour AOI
Validation de la solution avec des événements d'émission de méthane réels
Dans une dernière étape, nous évaluons notre méthode pour sa capacité à détecter et identifier correctement les fuites de méthane provenant de diverses sources et zones géographiques. Premièrement, nous utilisons une expérience de libération contrôlée de méthane spécialement conçue pour le validation de la détection spatiale de sources ponctuelles et de la quantification des émissions de méthane terrestres. Dans cette expérience de 2021, les chercheurs ont effectué plusieurs rejets de méthane à Ehrenberg, en Arizona, sur une période de 19 jours. L'exécution de notre méthode de détection pour l'un des passages de Sentinel-2 pendant la durée de cette expérience produit le résultat suivant montrant un panache de méthane :
Figure 5 – Intensités du panache de méthane pour l’expérience de rejet contrôlé en Arizona
Le panache généré lors du rejet contrôlé est clairement identifié par notre méthode de détection. Il en va de même pour d’autres fuites réelles connues (dans la figure 6 qui suit) provenant de sources telles qu’une décharge en Asie de l’Est (à gauche) ou une installation pétrolière et gazière en Amérique du Nord (à droite).
Figure 6 – Intensités du panache de méthane pour une décharge d’Asie de l’Est (à gauche) et un champ de pétrole et de gaz en Amérique du Nord (à droite)
En résumé, notre méthode peut aider à identifier les émissions de méthane provenant à la fois de rejets contrôlés et de diverses sources ponctuelles réelles à travers le monde. Cela fonctionne mieux pour les sources ponctuelles terrestres avec une végétation environnante limitée. Cela ne fonctionne pas pour les scènes offshore en raison de la forte absorption (c'est-à-dire la faible transmission) du spectre SWIR par l'eau. Étant donné que l’algorithme de détection proposé repose sur des variations de l’intensité du méthane, notre méthode nécessite également des observations préalables aux fuites. Cela peut rendre difficile la surveillance des fuites avec des taux d’émission constants.
Nettoyer
Pour éviter d'encourir des frais indésirables une fois une tâche de surveillance du méthane terminée, assurez-vous de mettre fin à l'instance SageMaker et de supprimer tous les fichiers locaux indésirables.
Conclusion
En combinant les capacités géospatiales de SageMaker avec des sources de données géospatiales ouvertes, vous pouvez mettre en œuvre vos propres solutions de surveillance à distance hautement personnalisées à grande échelle. Ce billet de blog s'est concentré sur la détection du méthane, un domaine d'intervention pour les gouvernements, les ONG et d'autres organisations cherchant à détecter et, à terme, à éviter les émissions nocives de méthane. Vous pouvez commencer dès aujourd'hui votre propre voyage dans l'analyse géospatiale en créant un bloc-notes avec le noyau géospatial SageMaker et en implémentant votre propre solution de détection. Voir le GitHub référentiel pour commencer à créer votre propre solution de détection de méthane par satellite. Consultez également le exemples de sagemaker référentiel pour d'autres exemples et didacticiels sur la façon d'utiliser les capacités géospatiales de SageMaker dans d'autres applications de télédétection du monde réel.
À propos des auteurs
Dr Karsten Schroer est architecte de solutions chez AWS. Il aide les clients à tirer parti des données et de la technologie pour assurer la durabilité de leur infrastructure informatique et créer des solutions cloud natives axées sur les données qui permettent des opérations durables dans leurs secteurs verticaux respectifs. Karsten a rejoint AWS après ses études de doctorat en apprentissage automatique appliqué et gestion des opérations. Il est vraiment passionné par les solutions technologiques aux défis sociétaux et aime plonger profondément dans les méthodes et les architectures d'application qui sous-tendent ces solutions.
Janosch Woschitz est architecte de solutions senior chez AWS, spécialisé dans l'IA/ML géospatiale. Avec plus de 15 ans d'expérience, il aide ses clients du monde entier à tirer parti de l'IA et du ML pour des solutions innovantes qui capitalisent sur les données géospatiales. Son expertise couvre l'apprentissage automatique, l'ingénierie des données et les systèmes distribués évolutifs, complétée par une solide expérience en ingénierie logicielle et une expertise industrielle dans des domaines complexes tels que la conduite autonome.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :possède
- :est
- :ne pas
- :où
- $UP
- 1
- 100
- 11
- 12
- 15 ans
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- capacité
- A Propos
- au dessus de
- accélérer
- accéléré
- acceptable
- accès
- accès
- atteint
- L'acquisition de
- à travers
- Action
- infection
- Supplémentaire
- adéquatement
- adjacent
- abordables
- Afrique
- Après
- à opposer à
- AI
- AI / ML
- algorithme
- même
- Tous
- permet
- aussi
- Amazon
- Amazon Sage Maker
- Géospatial Amazon SageMaker
- Amazon SageMakerStudio
- Amazon Web Services
- Amérique
- parmi
- an
- Analyses
- analytique
- ainsi que le
- animal
- tous
- api
- en vigueur
- Application
- applications
- appliqué
- une approche
- approches
- approprié
- approximatif
- d'environ
- SONT
- Réservé
- Arizona
- autour
- tableau
- AS
- Asie
- asiatique
- At
- Atmosphère
- atmosphérique
- augmentée
- automatiser
- autonome
- disponibles
- moyen
- éviter
- AWS
- fond
- Balance
- BANDE
- base
- basé
- Baseline
- BE
- devenez
- devenir
- était
- LES MEILLEURS
- jusqu'à XNUMX fois
- Blocs
- Blog
- tous les deux
- Box
- construire
- Développement
- intégré
- mais
- by
- calculé
- Appelez-nous
- CAN
- Peut obtenir
- candidat
- capacités
- capitaliser
- capturer
- porter
- maisons
- cas
- Canaux centraux
- central
- certaines
- challenge
- globaux
- difficile
- Change
- Modifications
- caractéristiques
- des charges
- vérifier
- choisi
- clairement
- Climat
- Changement climatique
- Fermer
- le cloud
- Charbon
- code
- base de code
- combinaison
- moissonneuses-batteuses
- combinant
- commercial
- Complété
- complexe
- composant
- composition
- calcul
- calcul
- PROBLÈMES DE PEAU
- concerné
- Congrès
- constant
- contraintes
- contient
- contexte
- continuer
- contributions
- contrôlée
- corrigé
- Corrections
- correctement
- Correspondant
- correspond
- Prix
- rentable
- pourriez
- couverture
- couverture
- critique
- crucial
- Courant
- Customiser
- Clients
- sont adaptées
- données
- data-driven
- ensembles de données
- Date
- datetime
- jours
- décision
- dévoué
- profond
- Vous permet de définir
- Définit
- déployer
- désigné
- un
- désir
- détail
- détaillé
- détails
- détecter
- Détection
- déterminé
- différence
- différent
- difficile
- direction
- disposition
- distribué
- systèmes distribués
- plongeon
- Ne fait pas
- domaines
- dessiner
- dessin
- motivation
- conduite
- deux
- pendant
- chacun
- Plus tôt
- Terre
- plus facilement
- Est
- Efficace
- efficacement
- non plus
- émission
- Emissions
- permettre
- permettant
- end-to-end
- ENGINEERING
- Les ingénieurs
- enrichir
- assurer
- Tout
- Environment
- égal
- erreur
- ESA
- essential
- estimations
- EU
- évaluer
- exemple
- exemples
- expansion
- cher
- d'experience
- expérience
- nous a permis de concevoir
- Exploités
- explorez
- Exploré
- exprimé
- extrait
- extraction
- œil
- faciliter
- Facilité
- fait
- facteurs
- agriculture
- champ
- bats toi
- Figure
- Fichiers
- filtres
- finale
- la traduction de documents financiers
- trouver
- résultats
- Prénom
- focal
- Focus
- concentré
- Abonnement
- suit
- Pour
- le format
- fractionnaire
- Gratuit
- La fréquence
- De
- plein
- d’étiquettes électroniques entièrement
- plus
- avenir
- GAS
- généré
- génère
- géographique
- géographies
- obtenez
- GitHub
- donné
- Global
- À l'échelle mondiale
- globe
- Go
- objectif
- Bien
- Gouvernements
- graphique
- plus grand
- main
- nuisible
- Vous avez
- he
- vous aider
- aide
- ici
- Haute
- Haute fréquence
- augmentation
- le plus élevé
- Souligner
- très
- sa
- organisé
- Comment
- How To
- Cependant
- HTML
- HTTPS
- ID
- idéalement
- Identification
- identifié
- identifie
- identifier
- ids
- if
- illustre
- image
- satellite
- Mettre en oeuvre
- la mise en oeuvre
- mis en œuvre
- la mise en œuvre
- in
- Dans d'autres
- comprendre
- inclut
- Y compris
- indication
- industrie
- d'information
- Infrastructure
- technologie innovante
- contribution
- idées.
- instance
- instruments
- Interactif
- intérêt
- Interfaces
- développement
- introduit
- IT
- articles
- SES
- Emploi
- rejoint
- chemin
- jpg
- juste
- XNUMX éléments à
- ACTIVITES
- connu
- l2
- gros
- grande échelle
- fuite
- Fuites
- APPRENTISSAGE
- apprentissage
- au
- à gauche
- moins
- Niveau
- en tirant parti
- bibliothèques
- lumière
- comme
- limité
- Liste
- littérature
- locales
- logique
- Location
- aime
- Faible
- baisser
- click
- machine learning
- majeur
- a prendre une
- Décideurs
- Fabrication
- gestion
- Localisation
- masque
- assorti
- math
- mathématiquement
- maximales
- signifier
- sens
- significative
- Métadonnées
- méthane
- émissions de méthane
- Fuite de méthane
- méthode
- méthodes
- Mines
- Mission
- missions
- ML
- modèle
- numériques jumeaux (digital twin models)
- Surveiller
- Stack monitoring
- PLUS
- (en fait, presque toutes)
- plusieurs
- prénom
- NASA
- Nature
- Besoin
- ONG
- aucune
- Aucun
- Nord
- Amérique du Nord
- cahier
- nombre
- objet
- observation
- octobre
- Octobre 6
- of
- souvent
- Huile
- PETROLE ET GAZ
- on
- ONE
- en cours
- uniquement
- ouvert
- fonctionner
- Opérations
- or
- organisations
- originaire
- Autre
- nos
- ande
- plus de
- propre
- panneau
- paramètres
- les parties
- pass
- passes
- passionné
- passé
- pour cent
- Effectuer
- effectué
- effectue
- période
- phd
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Gage
- Beaucoup
- Point
- politique
- Créateurs de politiques
- Polygone
- possible
- Post
- défaillances
- l'éventualité
- Prédictions
- présence
- représentent
- Aperçu
- précédent
- précédemment
- processus
- Traité
- traitement
- produit
- Produit
- propriétés
- propriété
- proposé
- fournir
- à condition de
- fournit
- des fins
- Python
- quantification
- Rapide
- vite.
- gamme
- rapidement
- Tarif
- Tarifs
- raisonnement
- raw
- nous joindre
- facilement
- monde réel
- réduire
- reportez-vous
- référence
- région
- enregistrement
- libérer
- de Presse
- compter
- éloigné
- supprimez
- dépôt
- représentent
- représentation
- représente
- conditions
- a besoin
- chercheurs
- Résolution
- ressource
- gourmande en ressources
- ceux
- réponse
- responsables
- résultat
- Résultats
- retourner
- Révèle
- RGB
- bon
- routine
- pour le running
- s
- sagemaker
- même
- satellite
- satellites
- évolutive
- Escaliers intérieurs
- scène
- Scènes
- scientifiques
- portée
- Rechercher
- les sections
- sur le lien
- recherche
- vu
- choisi
- supérieur
- sensible
- Sensibilité
- Services
- plusieurs
- Shorts
- montrer
- montré
- Spectacles
- de façon significative
- similaires
- étapes
- unique
- Sites
- Fragment
- sociétal
- Logiciels
- génie logiciel
- sur mesure
- Solutions
- quelques
- Identifier
- Sources
- basé sur l'espace
- travées
- Spatial
- spécialisation
- groupe de neurones
- spécifiquement
- caractéristiques
- spécifié
- Spectral
- Spectre
- carrés
- parties prenantes
- Standard
- Commencer
- j'ai commencé
- étapes
- Grèves
- STRONG
- études
- studio
- Étude
- tel
- Suggère
- convient
- Les soutiens
- Surface
- Alentours
- Durabilité
- durable
- Système
- Prenez
- tâches
- Target
- Technique
- Technologie
- qui
- La
- leur
- Les
- puis
- Là.
- donc
- Ces
- l'ont
- this
- ceux
- порог
- Avec
- fiable
- long
- fois
- horodatage
- à
- Auto
- aujourd'hui
- les outils
- Train
- Transformer
- procès
- oui
- vraiment
- tutoriels
- deux
- typiquement
- nous
- En fin de compte
- Sous-jacent
- expérience unique et authentique
- uniquement
- indésirable
- us
- utilisé
- cas d'utilisation
- Usages
- en utilisant
- validation
- Plus-value
- Valeurs
- variété
- divers
- verticales
- visible
- visualisation
- était
- Déchets
- Façon..
- we
- web
- services Web
- WELL
- qui
- tout en
- sera
- comprenant
- dans les
- activités principales
- travaillé
- vos contrats
- pourra
- envelopper
- X
- années
- rendements
- Vous n'avez
- Votre
- zéphyrnet