A metán (CH4) egy jelentős antropogén üvegházhatású gáz, amely többek között az olaj- és gázkitermelés, a szénbányászat, a nagyüzemi állattenyésztés és a hulladékártalmatlanítás mellékterméke. A globális felmelegedési potenciál A CH4 86-szorosa a CO2-énak és az Éghajlatváltozási Kormányközi Testület (IPCC) becslése szerint a metán az eddig megfigyelt globális felmelegedés 30 százalékáért felelős. A CH4 légkörbe történő szivárgásának gyors csökkentése az éghajlatváltozás elleni küzdelem kritikus eleme. 2021-ben az ENSZ bevezette A globális metán ígéret az Éghajlatváltozási Konferencián (COP26), azzal a céllal, hogy „gyors lépéseket tegyenek a metánnal kapcsolatban, hogy elérhető közelségben tartsuk az 1.5 fokos jövőt”. A zálognak megvan 150 aláírók beleértve az USA-t és az EU-t is.
A metánforrások korai felismerése és folyamatos nyomon követése a metánnal kapcsolatos értelmes fellépés kulcsfontosságú eleme, ezért a döntéshozók és a szervezetek számára egyaránt aggodalomra ad okot. Megfizethető, hatékony metánérzékelési megoldások nagyszabású megvalósítása – például helyszíni metándetektorok vagy repülőgépre szerelt spektrométerek – kihívást jelent, mivel gyakran nem praktikusak vagy megfizethetetlenül drágák. A műholdak segítségével végzett távérzékelés viszont biztosíthatja az érdekelt felek által kívánt globális léptékű, nagyfrekvenciás és költséghatékony észlelési funkciót.
Ebben a blogbejegyzésben megmutatjuk, hogyan használhatod A Sentinel 2 műholdfelvételei az AWS nyílt adatok nyilvántartásában tárolódnak kombinálva valamivel Amazon SageMaker térinformatikai képességek a CH4-kibocsátás pontforrásainak kimutatására és azok időbeli nyomon követésére. Rajzolni valamire a földmegfigyelési szakirodalom legújabb eredményei megtudhatja, hogyan valósíthat meg egyéni metánészlelési algoritmust, és hogyan használhatja fel a metánszivárgás észlelésére és nyomon követésére a világ számos pontjáról. Ez a bejegyzés tartalmazza kísérő kódot a GitHubon amely további technikai részleteket nyújt, és segít a saját metánfigyelő megoldásának megkezdésében.
A komplex térinformatikai elemzések elvégzése hagyományosan nehéz, időigényes és erőforrás-igényes vállalkozás volt. Amazon SageMaker térinformatikai képességek megkönnyíti az adattudósok és a gépi tanulással foglalkozó mérnökök számára a térinformatikai adatokat használó modellek építését, betanítását és üzembe helyezését. A SageMaker térinformatikai képességeinek segítségével hatékonyan átalakíthatja vagy gazdagíthatja a nagyméretű térinformatikai adatkészleteket, felgyorsíthatja a modellépítést előre betanított gépi tanulási (ML) modellekkel, valamint felfedezheti a modell-előrejelzéseket és a térinformatikai adatokat egy interaktív térképen a 3D gyorsított grafika és a beépített grafikák segítségével. vizualizációs eszközök.
Metán pontforrások távérzékelése multispektrális műholdfelvételek segítségével
A műhold alapú metánérzékelő megközelítések jellemzően a CH4 egyedi transzmissziós jellemzőire támaszkodnak. A látható spektrumban a CH4 transzmissziós értéke 1 vagy ahhoz közeli, ami azt jelenti, hogy szabad szemmel nem észlelhető. Bizonyos hullámhosszokon azonban a metán elnyeli a fényt (átbocsátás <1), ez a tulajdonság detektálási célokra kihasználható. Ehhez jellemzően a rövid hullámhosszú infravörös (SWIR) spektrumot (1500-2500 nm spektrális tartomány) választják, ahol a CH4 a leginkább kimutatható. A hiper- és multispektrális műholdküldetések (azaz olyan optikai műszerekkel, amelyek több hullámhossz-tartományban (sávban) rögzítik a képadatokat az elektromágneses spektrumban) lefedik ezeket a SWIR-tartományokat, és ezért potenciális detektáló műszereket jelentenek. Az 1. ábra a metán transzmissziós jellemzőit mutatja be a SWIR spektrumban és a különböző jelölt multispektrális műhold műszerek SWIR lefedettségét (adaptált ezt tanulmány).
1. ábra – A metán transzmissziós jellemzői a SWIR spektrumban és a Sentinel-2 multispektrális küldetések lefedettsége
Sok multispektrális műhold küldetését korlátozza vagy az alacsony újralátogatási gyakoriság (pl. PRISMA Hiperspektrális körülbelül 16 nap után) vagy alacsony térbeli felbontással (pl. Sentinel 5 7.5 km x 7.5 km-nél). Az adatokhoz való hozzáférés költsége további kihívást jelent: egyes dedikált konstellációk kereskedelmi küldetésként működnek, ami pénzügyi korlátok miatt potenciálisan kevésbé teszi elérhetővé a CH4-kibocsátással kapcsolatos statisztikákat a kutatók, a döntéshozók és más érintett felek számára. ESA-k Sentinel-2 multispektrális küldetés, amelyen ez a megoldás alapul, megfelelő egyensúlyt teremt az ismételt látogatási arány (körülbelül 5 nap), a térbeli felbontás (körülbelül 20 m) és a nyílt hozzáférés (a webhelyen tárolt) között. AWS nyílt adatok nyilvántartása).
A Sentinel-2-nek két sávja van, amelyek lefedik a SWIR spektrumot (20 m-es felbontásnál): 11. sáv (1610 nm központi hullámhossz) és 12. sáv (2190 nm központi hullámhossz). Mindkét sáv alkalmas metán kimutatására, míg a 12-es sáv szignifikánsan nagyobb érzékenységgel rendelkezik a CH4 abszorpciójára (lásd 1. ábra). Intuitív módon két lehetséges megközelítés létezik a SWIR reflexiós adatok metánérzékelésre való felhasználására. Először is, csak egyetlen SWIR sávra összpontosíthat (ideális esetben arra, amelyik a legérzékenyebb a CH4-elnyelésre), és kiszámíthatja a két különböző műhold áthaladása közötti reflexió képpontonkénti különbségét. Alternatív megoldásként egyetlen műholdútból származó adatokat használ fel a két szomszédos spektrális SWIR sáv használatával, amelyek hasonló felületi és aeroszol reflexiós tulajdonságokkal rendelkeznek, de eltérő metánabszorpciós jellemzőkkel rendelkeznek.
Az ebben a blogbejegyzésben alkalmazott észlelési módszer mindkét megközelítést ötvözi. Rajzolunk tovább a földmegfigyelési szakirodalom legújabb eredményei és számítsa ki a légkör felső részének (TOA) reflexiós tényezőjének Δρ (azaz a Sentinel-2 által mért reflexiós tényezőt, beleértve a légköri aeroszolok és gázok hozzájárulását is) két műhold áthaladása és a két SWIR sáv között; egy alapvonali áthaladás, ahol nincs jelen metán (bázis), és egy olyan megfigyelési menet, ahol aktív metánpontforrás gyanúja merül fel (monitor). Matematikailag ez a következőképpen fejezhető ki:
ahol ρ a Sentinel-2-vel mért TOA reflexió, cmonitor és cbázis úgy számítják ki, hogy a 12-es sáv TOA reflexiós értékeit a 11-es sáv TOA reflexiós értékeivel a teljes jelenetben regressziválják (vagyis ρb11 = c * ρb12). További részletekért tekintse meg ezt a tanulmányt rendellenes metán pontforrások nagyfrekvenciás monitorozása multispektrális Sentinel-2 műhold megfigyelésekkel.
Valósítson meg egy metánészlelési algoritmust SageMaker térinformatikai képességekkel
A metánészlelési algoritmus megvalósításához az Amazon SageMaker Studio SageMaker térinformatikai notebookját használjuk. A térinformatikai notebook kernel előre fel van szerelve olyan alapvető térinformatikai könyvtárakkal, mint pl GDAL, GeoPandas, Formás, xarrayés Rasterio, amely lehetővé teszi a térinformatikai adatok közvetlen megjelenítését és feldolgozását a Python notebook környezetben. Lásd a kezdő útmutató megtudhatja, hogyan kezdje el használni a SageMaker térinformatikai képességeit.
A SageMaker egy erre a célra épített API úgy tervezték, hogy megkönnyítse a műholdképek lekérését egy konszolidált interfészen keresztül, a SearchRasterDataCollection API hívás. SearchRasterDataCollection
a következő bemeneti paraméterekre támaszkodik:
Arn
: A lekérdezett raszteres adatgyűjtemény Amazon erőforrásneve (ARN).AreaOfInterest
: Sokszög objektum (GeoJSON formátumban), amely a keresési lekérdezés érdeklődési területét képviseliTimeRangeFilter
: Meghatározza az érdeklődési idő tartományát, jelöléssel{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Kiegészítő tulajdonságszűrők is beépíthetők, mint például a maximálisan elfogadható felhőborításra vonatkozó előírások
Ez a metódus támogatja a különböző raszteres adatforrásokból történő lekérdezést, amelyeket hívással lehet felfedezni ListRasterDataCollections. A metánészlelési megvalósításunk használatos Sentinel-2 műholdfelvételek, amelyre globálisan hivatkozni lehet a következő ARN használatával: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Ez az ARN a Sentinel-2 képeket képviseli, amelyeket 2A szintre dolgoztak fel (felületi visszaverődés, légkörileg korrigált). A metánfelismerési célokra a felső légköri (TOA) reflexiós adatokat (1C szint) használjuk, amelyek nem tartalmazzák azokat a felszíni légköri korrekciókat, amelyek az aeroszol összetételében és sűrűségében bekövetkező változásokat (vagyis a metán szivárgását) észlelhetetlenné tennék. .
Egy adott pontforrásból származó potenciális kibocsátások azonosításához két bemeneti paraméterre van szükségünk: a feltételezett pontforrás koordinátáira és egy kijelölt időbélyegzőre a metánkibocsátás megfigyeléséhez. Tekintettel arra, hogy a SearchRasterDataCollection
Az API poligonokat vagy több sokszögeket használ egy érdeklődési terület (AOI) meghatározására, a mi megközelítésünk abból áll, hogy a pontkoordinátákat először egy határoló dobozba bontjuk ki, majd ezt a sokszöget használjuk a Sentinel-2 képek lekérdezéséhez. SearchRasterDateCollection
.
Ebben a példában egy ismert metánszivárgást figyelünk meg, amely egy észak-afrikai olajmezőről származik. Ez egy szabványos érvényesítési eset a távérzékelési szakirodalomban, és például itt hivatkoznak rá ezt tanulmány. Teljesen végrehajtható kódbázis található a amazon-sagemaker-examples GitHub adattár. Itt csak azokat a kódrészleteket emeljük ki, amelyek a SageMaker térinformatikai képességekkel rendelkező metánészlelési megoldás megvalósításának kulcsfontosságú építőköveit képviselik. További részletekért tekintse meg az adattárat.
Kezdjük azzal, hogy inicializáljuk a koordinátákat és a célmegfigyelési dátumot a példaesethez.
#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
A következő kódrészlet létrehoz egy határolókeretet az adott pontkoordinátákhoz, majd keresést hajt végre a rendelkezésre álló Sentinel-2 képre a határoló doboz és a megadott megfigyelési dátum alapján:
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)
A válasz tartalmazza a megfelelő Sentinel-2 elemek listáját és a hozzájuk tartozó metaadatokat. Ezek tartalmazzák Felhőre optimalizált geoTIFF-ek (COG) minden Sentinel-2 sávok<p></p> miniatűr képeket a kép vizuális sávjainak gyors előnézetéhez. Természetesen elérhető a teljes felbontású műholdkép (RGB plot), amely a következő 2. ábrán látható.
2. ábra – Az AOI műholdképe (RGB plot).
Amint azt korábban részleteztük, az észlelési megközelítésünk a felső légkör (TOA) SWIR reflexiójának töredékes változásán alapul. Ahhoz, hogy ez működjön, döntő fontosságú egy jó alapvonal meghatározása. A jó alapvonal megtalálása gyorsan unalmas folyamattá válhat, amely rengeteg próbálkozással és hibával jár. A jó heurisztika azonban sokat segíthet a keresési folyamat automatizálásában. A múltban vizsgált esetekre jól bevált keresési heurisztika a következő: a múltra day_offset=n
napon, töltse le az összes műholdképet, távolítsa el a felhőket, és vágja a képet a hatókörben lévő AOI-hoz. Ezután számítsa ki az átlagos 12-es sáv reflexiót az AOI-n. A 12-es sávban a legmagasabb átlagos reflexióval rendelkező kép Sentinel csempe azonosítóját adja vissza.
Ezt a logikát a következő kódrészlet valósítja meg. Indoklása azon a tényen alapul, hogy a 12-es sáv nagyon érzékeny a CH4 abszorpciójára (lásd az 1. ábrát). A nagyobb átlagos reflexiós érték alacsonyabb abszorpciónak felel meg olyan forrásokból, mint például a metánkibocsátás, és ezért határozottan jelzi a kibocsátásmentes alaphelyzetet.
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)
Ezzel a módszerrel közelíthetjük meg a megfelelő kiindulási dátumot és a megfelelő Sentinel-2 lapkaazonosítót. A Sentinel-2 lapkaazonosítók információkat tartalmaznak a küldetés azonosítójáról (Sentinel-2A/Sentinel-2B), az egyedi lapkaszámról (például 32SKA), valamint a kép készítésének dátumáról, egyéb információk mellett, és egyedileg azonosítanak egy megfigyelést (azaz , jelenet). Példánkban a közelítési folyamat 6. október 2019-át javasolja (Sentinel-2 csempe: S2B_32SKA_20191006_0_L2A
), mint a legalkalmasabb kiindulási jelölt.
Ezután kiszámíthatjuk a reflektancia korrigált tört változását az alapdátum és a figyelni kívánt dátum között. A c korrekciós tényezők (lásd az előző 1. egyenletet) a következő kóddal számíthatók ki:
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]
Az 1. egyenlet teljes megvalósítását a következő kódrészlet tartalmazza:
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
Végül a fenti módszereket becsomagolhatjuk egy végpontok közötti rutinba, amely azonosítja az AOI-t egy adott hosszúsági és szélességi fokon, a megfigyelési dátumon és az alapvonal csempéjén, beszerzi a szükséges műholdképeket, és elvégzi a töredékes reflexiós változás számítását.
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
Ezt a módszert a korábban meghatározott paraméterekkel futtatva a SWIR TOA reflektancia töredékes változását kapjuk. xarray.DataArray. Az eredmény első szemrevételezését egy egyszerű futtatással végezhetjük el plot()
meghívás ezen az adattömbön. Módszerünk egy metáncsóva jelenlétét tárja fel az AOI közepén, amely nem volt kimutatható a korábban látott RGB diagramon.
3. ábra – A TOA reflektancia töredékes reflexiós változása (SWIR spektrum)
Utolsó lépésként kivonjuk az azonosított metáncsóvát, és ráborítjuk egy nyers RGB műholdképre, hogy megadjuk a fontos földrajzi kontextust. Ezt küszöbértékekkel érik el, amely az alábbiak szerint valósítható meg:
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
A mi esetünkben a -0.02-es küszöbérték a visszaverődés töredékében jó eredményeket ad, de ez jelenetről jelenetre változhat, és ezt az adott használati esetnek megfelelően kell kalibrálnia. A következő 4. ábra azt szemlélteti, hogyan jön létre a csóvafedő az AOI nyers műholdképének és a maszkolt csóvának kombinálásával egyetlen összetett képpé, amely a metáncsóvát annak földrajzi kontextusában mutatja be.
4. ábra – RGB-kép, a TOA reflektancia (SWIR spektrum) frakcionált reflexiós változása és az AOI metáncsóva-fedése
Megoldás validálása valós metánkibocsátási eseményekkel
Utolsó lépésként értékeljük módszerünket, hogy képes-e helyesen észlelni és pontosan meghatározni a különböző forrásokból és földrajzi helyekről származó metánszivárgásokat. Először egy szabályozott metánkibocsátási kísérletet használunk, amelyet kifejezetten a az űralapú, pontforrásból történő észlelés validálása és a szárazföldi metánkibocsátás mennyiségi meghatározása. Ebben a 2021-es kísérletben a kutatók több metánkibocsátást hajtottak végre az arizonai Ehrenbergben 19 nap alatt. Az egyik Sentinel-2 áthaladásra vonatkozó kimutatási módszerünk futtatása a kísérlet ideje alatt a következő eredményt adja, amely metáncsóvát mutat:
5. ábra – A metáncsóva intenzitása az arizonai szabályozott kibocsátási kísérlethez
Az ellenőrzött kibocsátás során keletkező csóvát kimutatási módszerünk egyértelműen azonosítja. Ugyanez igaz más ismert valós szivárgásokra is (a következő 6. ábrán), amelyek olyan forrásokból származnak, mint egy kelet-ázsiai hulladéklerakó (balra) vagy egy észak-amerikai olaj- és gázipari létesítmény (jobbra).
6. ábra – Metáncsóva intenzitása egy kelet-ázsiai hulladéklerakónál (balra) és egy olaj- és gázmezőnél Észak-Amerikában (jobbra)
Összefoglalva, módszerünk segíthet azonosítani a szabályozott kibocsátásokból és a világ különböző pontjaiból származó metánkibocsátásokat. Ez a legjobban a korlátozott környező növényzettel rendelkező szárazföldi pontforrások esetében működik. Ez nem működik off-shore jeleneteknél miatt a SWIR spektrum víz általi nagy abszorpciója (azaz alacsony áteresztőképessége).. Tekintettel arra, hogy a javasolt detektálási algoritmus a metánintenzitás változásaira támaszkodik, módszerünk szivárgás előtti megfigyeléseket is igényel. Ez kihívást jelenthet az állandó kibocsátási arányú szivárgások nyomon követése.
Tisztítsuk meg
A metánfigyelési feladat befejezése utáni nemkívánatos költségek elkerülése érdekében győződjön meg arról, hogy leállítja a SageMaker példányt, és törölje a nem kívánt helyi fájlokat.
Következtetés
A SageMaker térinformatikai képességeinek nyílt térinformatikai forrásokkal való kombinálásával nagymértékben megvalósíthatja saját, testreszabott távfelügyeleti megoldásait. Ez a blogbejegyzés a metánészlelésre összpontosított, amely a kormányok, a nem kormányzati szervezetek és más szervezetek központi területe, amely a káros metánkibocsátás észlelésére és végső soron elkerülésére törekszik. Már ma elkezdheti saját utazását a térinformatikai elemzés felé, ha felpörget egy Notebookot a SageMaker térinformatikai kernellel, és megvalósítja saját észlelési megoldását. Lásd a GitHub tárház hogy elkezdhesse saját műhold alapú metánérzékelési megoldását. Nézze meg a sagemaker-példák további példák és oktatóanyagok tárháza a SageMaker térinformatikai képességeinek más valós távérzékelési alkalmazásokban való használatához.
A szerzőkről
Dr. Karsten Schroer az AWS megoldási építésze. Támogatja ügyfeleit az adatok és a technológia kihasználásában IT-infrastruktúra fenntarthatóságának előmozdítása és a felhőalapú adatvezérelt megoldások kidolgozásában, amelyek lehetővé teszik a fenntartható működést az adott ágazatban. Karsten alkalmazott gépi tanulás és műveletmenedzsment témakörben szerzett PhD tanulmányait követően csatlakozott az AWS-hez. Valóban szenvedélyesen rajong a technológiai megoldásokért a társadalmi kihívásokra, és szeret mélyen belemerülni a megoldások alapjául szolgáló módszerekbe és alkalmazásarchitektúrákba.
Janosch Woschitz az AWS vezető megoldási építésze, a térinformatikai AI/ML-re szakosodott. Több mint 15 éves tapasztalatával világszerte támogatja ügyfeleit a mesterséges intelligencia és az ML innovatív megoldások kiaknázásában, amelyek kihasználják a térinformatikai adatokat. Szakértelme felöleli a gépi tanulást, az adattervezést és a méretezhető elosztott rendszereket, erős szoftvermérnöki háttérrel és iparági szakértelemmel olyan összetett területeken, mint például az autonóm vezetés.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 11
- 12
- 15 év
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- képesség
- Rólunk
- felett
- gyorsul
- felgyorsult
- elfogadható
- hozzáférés
- Hozzáférés
- elért
- Felvásárolja
- át
- Akció
- aktív
- További
- megfelelő
- szomszédos
- megfizethető
- Afrika
- Után
- ellen
- AI
- AI / ML
- algoritmus
- hasonló
- Minden termék
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker térinformatikai
- Amazon SageMaker Studio
- Az Amazon Web Services
- Amerika
- között
- an
- elemzések
- analitika
- és a
- állat
- bármilyen
- api
- alkalmazható
- Alkalmazás
- alkalmazások
- alkalmazott
- megközelítés
- megközelít
- megfelelő
- hozzávetőleges
- körülbelül
- VANNAK
- TERÜLET
- arizona
- körül
- Sor
- AS
- Ázsia
- ázsiai
- At
- Légkör
- légköri
- bővített
- automatizálás
- autonóm
- elérhető
- átlagos
- elkerülése érdekében
- AWS
- háttér
- Egyenleg
- ZENEKAR
- bázis
- alapján
- kiindulási
- BE
- válik
- egyre
- óta
- BEST
- között
- Blocks
- Blog
- mindkét
- Doboz
- épít
- Épület
- beépített
- de
- by
- számított
- hívás
- TUD
- Kaphat
- jelölt
- képességek
- tőkésít
- elfog
- visz
- eset
- esetek
- Központ
- központi
- bizonyos
- kihívás
- kihívások
- kihívást
- változik
- Változások
- jellemzők
- díjak
- ellenőrizze
- választott
- világosan
- Klíma
- Klímaváltozás
- közel
- felhő
- Szén
- kód
- kódbázis
- kombináció
- kombájnok
- kombinálása
- kereskedelmi
- Befejezett
- bonyolult
- összetevő
- összetétel
- számítás
- Kiszámít
- Vonatkozik
- az érintett
- Konferencia
- állandó
- korlátok
- tartalmaz
- kontextus
- folytatódik
- hozzájárulások
- vezérelt
- korrigált
- Hiba
- helyesen
- Megfelelő
- megfelel
- Költség
- költséghatékony
- tudott
- terjed
- lefedettség
- kritikai
- kritikus
- Jelenlegi
- szokás
- Ügyfelek
- szabott
- dátum
- adatalapú
- adatkészletek
- találka
- dátum idő
- Nap
- döntés
- elszánt
- mély
- meghatározott
- Annak meghatározása,
- telepíteni
- kijelölt
- tervezett
- vágy
- részlet
- részletes
- részletek
- kimutatására
- Érzékelés
- eltökélt
- különbség
- különböző
- nehéz
- közvetlen
- irány
- ártalmatlanítása
- megosztott
- elosztott rendszerek
- merülés
- nem
- Nem
- domainek
- húz
- rajz
- hajtás
- vezetés
- két
- alatt
- minden
- Korábban
- föld
- könnyebb
- Keleti
- Hatékony
- eredményesen
- bármelyik
- kibocsátás
- Kibocsátások
- lehetővé
- lehetővé téve
- végtől végig
- Mérnöki
- Mérnökök
- gazdagítják
- biztosítására
- Egész
- Környezet
- egyenlő
- hiba
- ESA
- alapvető
- becslések
- EU
- értékelni
- példa
- példák
- bővülő
- drága
- tapasztalat
- kísérlet
- szakvélemény
- Hasznosított
- feltárása
- feltárt
- kifejezve
- kivonat
- kitermelés
- szem
- megkönnyítése
- Objektum
- tény
- tényezők
- mezőgazdasági
- mező
- harc
- Ábra
- Fájlok
- Szűrők
- utolsó
- pénzügyi
- megtalálása
- megállapítások
- vezetéknév
- fokális
- Összpontosít
- összpontosított
- következő
- következik
- A
- formátum
- töredékes
- Ingyenes
- Frekvencia
- ból ből
- Tele
- teljesen
- funkcionalitás
- további
- jövő
- GAS
- generált
- generál
- földrajzi
- földrajzok
- kap
- GitHub
- adott
- Globális
- globálisan
- földgolyó
- Go
- cél
- jó
- A kormányok
- grafika
- nagyobb
- kéz
- káros
- Legyen
- he
- segít
- segít
- itt
- Magas
- Magas frekvencia
- <p></p>
- legnagyobb
- Kiemel
- nagyon
- övé
- házigazdája
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- ID
- ideálisan
- Azonosítás
- azonosított
- azonosítja
- azonosítani
- ids
- if
- illusztrálja
- kép
- képek
- végre
- végrehajtás
- végre
- végrehajtási
- in
- Más
- tartalmaz
- magában foglalja a
- Beleértve
- jelzés
- ipar
- információ
- Infrastruktúra
- újító
- bemenet
- meglátások
- példa
- eszközök
- interaktív
- kamat
- Felület
- bele
- Bevezetett
- IT
- tételek
- ITS
- Munka
- csatlakozott
- utazás
- jpg
- éppen
- Tart
- Kulcs
- ismert
- l2
- nagy
- nagyarányú
- szivárog
- Szivárgás
- TANUL
- tanulás
- legkevésbé
- balra
- kevesebb
- szint
- erőfölény
- könyvtárak
- fény
- mint
- Korlátozott
- Lista
- irodalom
- helyi
- logika
- Hosszú
- szeret
- Elő/Utó
- alacsonyabb
- gép
- gépi tanulás
- fontos
- csinál
- Makers
- Gyártás
- vezetés
- térkép
- maszk
- egyező
- matematikai
- matematikailag
- maximális
- jelent
- jelenti
- jelentőségteljes
- Metaadatok
- metán
- metánkibocsátás
- Metán szivárgás
- módszer
- mód
- Bányászati
- Küldetés
- küldetések
- ML
- modell
- modellek
- monitor
- ellenőrzés
- több
- a legtöbb
- többszörös
- név
- Nasa
- Természet
- Szükség
- Civil szervezetek
- nem
- Egyik sem
- Északi
- Észak Amerika
- jegyzetfüzet
- szám
- tárgy
- megfigyelés
- október
- október 6
- of
- gyakran
- Olaj
- Olaj és gáz
- on
- ONE
- folyamatban lévő
- csak
- nyitva
- működik
- Művelet
- or
- szervezetek
- származó
- Más
- mi
- ki
- felett
- saját
- panel
- paraméterek
- fél
- elhalad
- bérletek
- szenvedélyes
- múlt
- százalék
- Teljesít
- teljesített
- Előadja
- időszak
- phd
- Plató
- Platón adatintelligencia
- PlatoData
- Fogadalom
- bőséges
- pont
- politika
- Döntéshozók
- Poligon
- lehetséges
- állás
- potenciális
- potenciálisan
- Tippek
- jelenlét
- be
- Preview
- előző
- korábban
- folyamat
- Feldolgozott
- feldolgozás
- termel
- Termékek
- ingatlanait
- ingatlan
- javasolt
- ad
- feltéve,
- biztosít
- célokra
- Piton
- mennyiségi meghatározás
- Quick
- gyorsan
- hatótávolság
- gyorsan
- Arány
- Az árak
- logika
- Nyers
- el
- készségesen
- való Világ
- csökkentő
- utal
- referencia
- vidék
- iktató hivatal
- engedje
- Releases
- támaszkodnak
- távoli
- eltávolítása
- raktár
- képvisel
- képviselő
- jelentése
- kötelező
- megköveteli,
- kutatók
- Felbontás
- forrás
- erőforrás-igényes
- azok
- válasz
- felelős
- eredményez
- Eredmények
- visszatérés
- felfedi
- RGB
- jobb
- rutin
- futás
- s
- sagemaker
- azonos
- műhold
- műholdak
- skálázható
- Skála
- színhely
- jelenetek
- tudósok
- hatálya
- Keresés
- szakaszok
- lát
- keres
- látott
- kiválasztott
- idősebb
- érzékeny
- Érzékenység
- Szolgáltatások
- számos
- rövid
- előadás
- mutatott
- Műsorok
- jelentősen
- hasonló
- Egyszerű
- egyetlen
- Webhely (ek)
- töredék
- társadalmi
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- néhány
- forrás
- Források
- tér alapú
- ível
- térbeli
- szakosodott
- különleges
- kifejezetten
- specifikációk
- meghatározott
- Spektrális
- Spektrum
- terek
- érdekeltek
- standard
- kezdet
- kezdődött
- Lépés
- Strikes
- erős
- tanulmányok
- stúdió
- Tanulmány
- ilyen
- javasolja,
- megfelelő
- Támogatja
- felületi
- környező
- Fenntarthatóság
- fenntartható
- Systems
- Vesz
- meghozott
- cél
- Műszaki
- Technológia
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- küszöb
- Keresztül
- idő
- időigényes
- alkalommal
- időbélyeg
- nak nek
- Autó
- Ma
- szerszámok
- Vonat
- Átalakítás
- próba
- igaz
- valóban
- oktatóanyagok
- kettő
- jellemzően
- nekünk
- Végül
- Underlie
- egyedi
- egyedileg
- felesleges
- us
- használ
- használati eset
- használ
- segítségével
- érvényesítés
- érték
- Értékek
- fajta
- különféle
- függőlegesek
- látható
- megjelenítés
- volt
- Hulladék
- Út..
- we
- háló
- webes szolgáltatások
- JÓL
- ami
- míg
- lesz
- val vel
- belül
- Munka
- dolgozott
- művek
- lenne
- betakar
- X
- év
- hozamok
- te
- A te
- zephyrnet