Metana (CH4) adalah gas rumah kaca antropogenik utama yang merupakan produk sampingan dari ekstraksi minyak dan gas, penambangan batu bara, peternakan skala besar, pembuangan limbah, dan sumber lainnya. Potensi pemanasan global CH4 86 kali lipat dari CO2 dan Panel Antarpemerintah tentang Perubahan Iklim (IPCC) memperkirakan hal tersebut metana bertanggung jawab atas 30 persen pemanasan global yang diamati hingga saat ini. Mengurangi kebocoran CH4 ke atmosfer dengan cepat merupakan komponen penting dalam upaya melawan perubahan iklim. Pada tahun 2021, PBB memperkenalkan Ikrar Metana Global pada Konferensi Perubahan Iklim (COP26), dengan tujuan untuk mengambil โtindakan cepat terhadap metana untuk menjaga masa depan 1.5C.โ Ikrar telah Penandatangan 150 termasuk AS dan UE.
Deteksi dini dan pemantauan berkelanjutan terhadap sumber gas metana merupakan komponen kunci dari tindakan yang berarti terhadap gas metana dan oleh karena itu menjadi perhatian bagi para pembuat kebijakan dan organisasi. Menerapkan solusi deteksi metana yang terjangkau dan efektif dalam skala besar โ seperti detektor metana di lokasi atau spektrometer yang dipasang di pesawat โ merupakan hal yang menantang, karena seringkali tidak praktis atau sangat mahal. Sebaliknya, penginderaan jarak jauh yang menggunakan satelit dapat menyediakan fungsi deteksi berskala global, berfrekuensi tinggi, dan hemat biaya yang diinginkan para pemangku kepentingan.
Dalam postingan blog ini, kami menunjukkan kepada Anda bagaimana Anda dapat menggunakannya Citra satelit Sentinel 2 dihosting di AWS Registry of Open Data dalam kombinasi dengan Kemampuan geospasial Amazon SageMaker untuk mendeteksi sumber emisi CH4 dan memantaunya dari waktu ke waktu. Menggambar terus temuan terbaru dari literatur observasi bumi Anda akan mempelajari cara menerapkan algoritme deteksi metana khusus dan menggunakannya untuk mendeteksi dan memantau kebocoran metana dari berbagai lokasi di seluruh dunia. Postingan ini termasuk kode yang menyertainya di GitHub yang memberikan detail teknis tambahan dan membantu Anda memulai solusi pemantauan metana Anda sendiri.
Secara tradisional, menjalankan analisis geospasial yang kompleks merupakan pekerjaan yang sulit, memakan waktu, dan menghabiskan banyak sumber daya. Kemampuan geospasial Amazon SageMaker memudahkan ilmuwan data dan insinyur pembelajaran mesin untuk membangun, melatih, dan menerapkan model menggunakan data geospasial. Dengan menggunakan kemampuan geospasial SageMaker, Anda dapat secara efisien mengubah atau memperkaya kumpulan data geospasial berskala besar, mempercepat pembuatan model dengan model pembelajaran mesin (ML) yang telah dilatih sebelumnya, dan menjelajahi prediksi model dan data geospasial pada peta interaktif menggunakan grafik akselerasi 3D dan bawaan alat visualisasi.
Penginderaan jauh sumber titik metana menggunakan citra satelit multispektral
Pendekatan penginderaan metana berbasis satelit biasanya mengandalkan karakteristik transmisi unik CH4. Pada spektrum tampak, CH4 memiliki nilai transmitansi yang sama atau mendekati 1, sehingga tidak terdeteksi oleh mata telanjang. Namun, pada panjang gelombang tertentu, metana menyerap cahaya (transmitansi <1), suatu sifat yang dapat dimanfaatkan untuk tujuan deteksi. Untuk ini, spektrum inframerah panjang gelombang pendek (SWIR) (rentang spektral 1500โ2500 nm) biasanya dipilih, di mana CH4 paling dapat dideteksi. Misi satelit hiper dan multispektral (yaitu misi dengan instrumen optik yang menangkap data gambar dalam berbagai rentang panjang gelombang (pita) di seluruh spektrum elektromagnetik) mencakup rentang SWIR ini dan oleh karena itu mewakili instrumen deteksi potensial. Gambar 1 memplot karakteristik transmisi metana dalam spektrum SWIR dan cakupan SWIR berbagai calon instrumen satelit multispektral (diadaptasi dari ini belajar).
Gambar 1 โ Karakteristik transmisi metana dalam spektrum SWIR dan cakupan misi multi-spektral Sentinel-2
Banyak misi satelit multispektral dibatasi oleh frekuensi kunjungan ulang yang rendah (misalnya, PRISMA Hiperspektral sekitar 16 hari) atau dengan resolusi spasial rendah (misalnya, Penjaga 5 pada 7.5 km x 7.5 km). Biaya untuk mengakses data merupakan tantangan tambahan: beberapa konstelasi khusus beroperasi sebagai misi komersial, sehingga berpotensi membuat wawasan emisi CH4 kurang tersedia bagi para peneliti, pengambil keputusan, dan pihak terkait lainnya karena kendala keuangan. milik ESA Misi multispektral Sentinel-2, yang menjadi dasar solusi ini, memberikan keseimbangan yang tepat antara tingkat kunjungan ulang (kira-kira 5 hari), resolusi spasial (kira-kira 20 m) dan akses terbuka (dihosting di AWSRegistrasi Data Terbuka).
Sentinel-2 memiliki dua pita yang mencakup spektrum SWIR (pada resolusi 20 m): band-11 (panjang gelombang pusat 1610 nm) dan band-12 (panjang gelombang pusat 2190 nm). Kedua pita cocok untuk mendeteksi metana, sedangkan pita-12 memiliki sensitivitas yang jauh lebih tinggi terhadap penyerapan CH4 (lihat Gambar 1). Secara intuitif ada dua kemungkinan pendekatan dalam menggunakan data reflektansi SWIR ini untuk mendeteksi metana. Pertama, Anda dapat fokus hanya pada satu pita SWIR (idealnya pita yang paling sensitif terhadap penyerapan CH4) dan menghitung perbedaan reflektansi piksel demi piksel pada dua lintasan satelit yang berbeda. Alternatifnya, Anda menggunakan data dari satu jalur satelit untuk deteksi dengan menggunakan dua pita spektral SWIR yang berdekatan yang memiliki sifat reflektansi permukaan dan aerosol yang serupa namun memiliki karakteristik penyerapan metana yang berbeda.
Metode deteksi yang kami terapkan dalam postingan blog ini menggabungkan kedua pendekatan. Kami melanjutkan temuan terbaru dari literatur observasi bumi dan menghitung perubahan pecahan pada reflektansi top-of-the-atmosphere (TOA) ฮฯ (yaitu, reflektansi yang diukur oleh Sentinel-2 termasuk kontribusi dari aerosol dan gas di atmosfer) antara dua lintasan satelit dan dua pita SWIR; satu jalur baseline yang tidak terdapat metana (basis) dan satu jalur pemantauan yang diduga terdapat sumber metana aktif (monitor). Secara matematis hal ini dapat dinyatakan sebagai berikut:
dimana ฯ adalah reflektansi TOA yang diukur dengan Sentinel-2, cMonitor dan Cmendasarkan dihitung dengan meregresi nilai reflektansi TOA pada pita-12 terhadap nilai reflektansi pita-11 di seluruh pemandangan (yaitu, ฯb11 = c * ฯb12). Untuk lebih jelasnya, simak penelitian ini di pemantauan frekuensi tinggi sumber titik metana anomali dengan pengamatan satelit multispektral Sentinel-2.
Menerapkan algoritma deteksi metana dengan kemampuan geospasial SageMaker
Untuk mengimplementasikan algoritma deteksi metana, kami menggunakan notebook geospasial SageMaker dalam Amazon SageMaker Studio. Kernel notebook geospasial telah dilengkapi dengan perpustakaan geospasial penting seperti GDAL, GeoPanda, Rupawan, xarray, dan rasterio, memungkinkan visualisasi langsung dan pemrosesan data geospasial dalam lingkungan notebook Python. Lihat panduan memulai untuk mempelajari cara mulai menggunakan kemampuan geospasial SageMaker.
SageMaker menyediakan solusi yang dibuat khusus API dirancang untuk memfasilitasi pengambilan citra satelit melalui antarmuka konsolidasi menggunakan PencarianRasterDataCollection Panggilan API. SearchRasterDataCollection
bergantung pada parameter input berikut:
Arn
: Nama sumber daya Amazon (ARN) dari pengumpulan data raster yang ditanyakanAreaOfInterest
: Objek poligon (dalam format GeoJSON) yang mewakili wilayah yang diinginkan untuk kueri penelusuranTimeRangeFilter
: Mendefinisikan rentang waktu yang diminati, dilambangkan sebagai{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Filter properti tambahan, seperti spesifikasi tutupan awan maksimum yang dapat diterima, juga dapat disertakan
Metode ini mendukung query dari berbagai sumber data raster yang dapat dieksplorasi dengan menelepon DaftarRasterDataCollections. Implementasi deteksi metana kami menggunakan Citra satelit Sentinel-2, yang dapat direferensikan secara global menggunakan ARN berikut: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
ARN ini mewakili citra Sentinel-2, yang telah diproses ke Level 2A (pantulan permukaan, koreksi atmosferik). Untuk tujuan deteksi metana, kami akan menggunakan data reflektansi top-of-atmosphere (TOA) (Level 1C), yang tidak mencakup koreksi atmosfer di tingkat permukaan yang akan membuat perubahan komposisi dan kepadatan aerosol (yaitu, kebocoran metana) tidak terdeteksi .
Untuk mengidentifikasi potensi emisi dari sumber titik tertentu, kita memerlukan dua parameter masukan: koordinat sumber titik yang dicurigai dan stempel waktu yang ditentukan untuk pemantauan emisi metana. Mengingat bahwa SearchRasterDataCollection
API menggunakan poligon atau multi-poligon untuk menentukan area of โโinterest (AOI), pendekatan kami melibatkan perluasan koordinat titik ke dalam kotak pembatas terlebih dahulu, lalu menggunakan poligon tersebut untuk mengkueri citra Sentinel-2 menggunakan SearchRasterDateCollection
.
Dalam contoh ini, kami memantau kebocoran metana yang diketahui berasal dari ladang minyak di Afrika Utara. Ini adalah kasus validasi standar dalam literatur penginderaan jauh dan dirujuk, misalnya, dalam ini belajar. Basis kode yang sepenuhnya dapat dieksekusi disediakan di amazon-sagemaker-contoh GitHub repositori. Di sini, kami hanya menyoroti bagian kode terpilih yang mewakili blok penyusun utama untuk mengimplementasikan solusi deteksi metana dengan kemampuan geospasial SageMaker. Lihat repositori untuk detail tambahan.
Kita mulai dengan menginisialisasi koordinat dan tanggal pemantauan target untuk contoh kasus.
#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
Cuplikan kode berikut menghasilkan kotak pembatas untuk koordinat titik tertentu dan kemudian melakukan pencarian citra Sentinel-2 yang tersedia berdasarkan kotak pembatas dan tanggal pemantauan yang ditentukan:
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)
Responsnya berisi daftar item Sentinel-2 yang cocok dan metadatanya yang sesuai. Ini termasuk GeoTIFF (COG) yang Dioptimalkan Cloud untuk semua Kelompok Sentinel-2, sebaik kuku ibu jari gambar untuk pratinjau cepat pita visual gambar. Tentu saja, dimungkinkan juga untuk mengakses citra satelit resolusi penuh (plot RGB), yang ditunjukkan pada Gambar 2 berikut.
Gambar 2 โ Citra satelit (plot RGB) AOI
Seperti yang dijelaskan sebelumnya, pendekatan deteksi kami bergantung pada perubahan fraksional pada reflektansi SWIR di bagian atas atmosfer (TOA). Agar hal ini berhasil, identifikasi baseline yang baik sangatlah penting. Menemukan dasar yang baik dapat dengan cepat menjadi proses yang membosankan dan melibatkan banyak percobaan dan kesalahan. Namun, heuristik yang baik dapat membantu mengotomatiskan proses pencarian ini. Heuristik penelusuran yang berhasil dengan baik untuk kasus-kasus yang diselidiki di masa lalu adalah sebagai berikut: untuk masa lalu day_offset=n
hari, ambil semua citra satelit, hilangkan awan apa pun, dan klipkan gambar tersebut ke cakupan AOI. Kemudian hitung rata-rata reflektansi band-12 di AOI. Menampilkan ID ubin Sentinel dari gambar dengan reflektansi rata-rata tertinggi di band-12.
Logika ini diimplementasikan dalam kutipan kode berikut. Alasannya bergantung pada fakta bahwa band-12 sangat sensitif terhadap penyerapan CH4 (lihat Gambar 1). Nilai reflektansi rata-rata yang lebih besar berarti penyerapan yang lebih rendah dari sumber-sumber seperti emisi metana dan oleh karena itu memberikan indikasi kuat untuk gambaran dasar bebas emisi.
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)
Menggunakan metode ini memungkinkan kami memperkirakan tanggal dasar yang sesuai dan ID petak Sentinel-2 yang sesuai. ID ubin Sentinel-2 membawa informasi tentang ID misi (Sentinel-2A/Sentinel-2B), nomor ubin unik (misalnya, 32SKA), dan tanggal pengambilan gambar, serta informasi lain dan mengidentifikasi pengamatan secara unik (yaitu , sebuah kejadian). Dalam contoh kita, proses perkiraan menyarankan 6 Oktober 2019 (ubin Sentinel-2: S2B_32SKA_20191006_0_L2A
), sebagai kandidat dasar yang paling sesuai.
Selanjutnya, kita dapat menghitung perubahan pecahan reflektansi yang dikoreksi antara tanggal dasar dan tanggal yang ingin kita pantau. Faktor koreksi c (lihat Persamaan 1 sebelumnya) dapat dihitung dengan kode berikut:
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]
Implementasi penuh Persamaan 1 diberikan dalam cuplikan kode berikut:
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
Terakhir, kita dapat menggabungkan metode di atas ke dalam rutinitas end-to-end yang mengidentifikasi AOI untuk bujur dan lintang tertentu, memantau tanggal dan petak garis dasar, memperoleh citra satelit yang diperlukan, dan melakukan penghitungan perubahan reflektansi fraksional.
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
Menjalankan metode ini dengan parameter yang kami tentukan sebelumnya menghasilkan perubahan pecahan dalam reflektansi SWIR TOA sebagai xarray.DataArray. Kita dapat melakukan inspeksi visual pertama terhadap hasilnya dengan menjalankan program sederhana plot()
pemanggilan pada array data ini. Metode kami mengungkapkan keberadaan gumpalan metana di pusat AOI yang tidak terdeteksi pada plot RGB yang terlihat sebelumnya.
Gambar 3 โ Perubahan reflektansi pecahan dalam reflektansi TOA (spektrum SWIR)
Sebagai langkah terakhir, kami mengekstrak gumpalan metana yang teridentifikasi dan melapisinya pada citra satelit RGB mentah untuk memberikan konteks geografis yang penting. Hal ini dicapai dengan ambang batas, yang dapat diterapkan seperti yang ditunjukkan berikut ini:
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
Untuk kasus kami, ambang batas perubahan pecahan -0.02 dalam reflektansi memberikan hasil yang baik, namun hal ini dapat berubah dari satu adegan ke adegan lain dan Anda harus mengkalibrasinya untuk kasus penggunaan spesifik Anda. Gambar 4 berikut mengilustrasikan bagaimana hamparan plume dihasilkan dengan menggabungkan citra satelit mentah AOI dengan plume terselubung menjadi sebuah gambar komposit tunggal yang menunjukkan plume metana dalam konteks geografisnya.
Gambar 4 โ Gambar RGB, perubahan reflektansi fraksional dalam reflektansi TOA (spektrum SWIR), dan hamparan gumpalan metana untuk AOI
Validasi solusi dengan peristiwa emisi metana di dunia nyata
Sebagai langkah terakhir, kami mengevaluasi kemampuan metode kami dalam mendeteksi dan menentukan kebocoran metana dengan tepat dari berbagai sumber dan geografi. Pertama, kami menggunakan eksperimen pelepasan metana terkontrol yang dirancang khusus untuk validasi deteksi sumber titik berbasis ruang angkasa dan kuantifikasi emisi metana di daratan. Dalam percobaan tahun 2021 ini, para peneliti melakukan beberapa pelepasan metana di Ehrenberg, Arizona selama periode 19 hari. Menjalankan metode deteksi kami untuk salah satu lintasan Sentinel-2 selama percobaan tersebut berlangsung akan menghasilkan hasil berikut yang menunjukkan semburan metana:
Gambar 5 โ Intensitas semburan metana untuk Arizona Controlled Release Experiment
Gumpalan asap yang dihasilkan selama pelepasan terkontrol diidentifikasi dengan jelas oleh metode deteksi kami. Hal yang sama juga berlaku untuk kebocoran lain yang diketahui di dunia nyata (pada Gambar 6 berikut) dari sumber seperti tempat pembuangan sampah di Asia Timur (kiri) atau fasilitas minyak dan gas di Amerika Utara (kanan).
Gambar 6 โ Intensitas semburan metana di TPA Asia Timur (kiri) dan ladang minyak dan gas di Amerika Utara (kanan)
Singkatnya, metode kami dapat membantu mengidentifikasi emisi metana baik dari pelepasan terkontrol maupun dari berbagai sumber nyata di seluruh dunia. Cara ini paling cocok untuk sumber titik di darat dengan vegetasi di sekitarnya yang terbatas. Ini tidak berfungsi untuk pemandangan lepas pantai karena penyerapan yang tinggi (yaitu transmitansi yang rendah) dari spektrum SWIR oleh air. Mengingat algoritma deteksi yang diusulkan bergantung pada variasi intensitas metana, metode kami juga memerlukan observasi pra-kebocoran. Hal ini dapat mempersulit pemantauan kebocoran dengan tingkat emisi yang konstan.
Membersihkan
Untuk menghindari timbulnya biaya yang tidak diinginkan setelah pekerjaan pemantauan metana selesai, pastikan Anda menghentikan instans SageMaker dan menghapus semua file lokal yang tidak diinginkan.
Kesimpulan
Dengan menggabungkan kemampuan geospasial SageMaker dengan sumber data geospasial terbuka, Anda dapat menerapkan solusi pemantauan jarak jauh yang dapat disesuaikan dalam skala besar. Postingan blog ini berfokus pada deteksi metana, yang merupakan area fokus bagi pemerintah, LSM, dan organisasi lain yang berupaya mendeteksi dan pada akhirnya menghindari emisi metana yang berbahaya. Anda dapat memulai hari ini dalam perjalanan Anda menuju analitik geospasial dengan menjalankan Notebook dengan kernel geospasial SageMaker dan menerapkan solusi deteksi Anda sendiri. Lihat Repositori GitHub untuk mulai membangun solusi deteksi metana berbasis satelit Anda sendiri. Periksa juga contoh pembuat bijak repositori untuk contoh dan tutorial lebih lanjut tentang cara menggunakan kemampuan geospasial SageMaker dalam aplikasi penginderaan jauh dunia nyata lainnya.
Tentang penulis
Dr.Karsten Schroer adalah Arsitek Solusi di AWS. Dia mendukung pelanggan dalam memanfaatkan data dan teknologi untuk mendorong keberlanjutan infrastruktur TI mereka dan membangun solusi cloud-native berbasis data yang memungkinkan operasi berkelanjutan di masing-masing vertikal. Karsten bergabung dengan AWS setelah studi PhD-nya dalam pembelajaran mesin terapan & manajemen operasi. Dia benar-benar bersemangat tentang solusi yang dimungkinkan oleh teknologi untuk tantangan sosial dan suka mendalami metode dan arsitektur aplikasi yang mendasari solusi ini.
Janosch Woschitz adalah Arsitek Solusi Senior di AWS, yang berspesialisasi dalam AI/ML geospasial. Dengan pengalaman lebih dari 15 tahun, ia mendukung pelanggan secara global dalam memanfaatkan AI dan ML untuk solusi inovatif yang memanfaatkan data geospasial. Keahliannya mencakup pembelajaran mesin, rekayasa data, dan sistem terdistribusi yang dapat diskalakan, ditambah dengan latar belakang yang kuat dalam rekayasa perangkat lunak dan keahlian industri dalam domain kompleks seperti mengemudi otonom.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 100
- 11
- 12
- 15 tahun
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- kemampuan
- Tentang Kami
- atas
- mempercepat
- dipercepat
- diterima
- mengakses
- mengakses
- dicapai
- Mengakuisisi
- di seluruh
- Tindakan
- aktif
- Tambahan
- cukup
- berdekatan
- terjangkau
- Afrika
- Setelah
- terhadap
- AI
- AI / ML
- algoritma
- sama
- Semua
- memungkinkan
- juga
- Amazon
- Amazon SageMaker
- geospasial Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- Amerika
- antara
- an
- Analisis
- analisis
- dan
- hewan
- Apa pun
- api
- berlaku
- Aplikasi
- aplikasi
- terapan
- pendekatan
- pendekatan
- sesuai
- kira-kira
- sekitar
- ADALAH
- DAERAH
- arizona
- sekitar
- susunan
- AS
- Asia
- Asia
- At
- Suasana
- atmosfer
- ditambah
- mengotomatisasi
- otonom
- tersedia
- rata-rata
- menghindari
- AWS
- latar belakang
- Saldo
- PITA
- mendasarkan
- berdasarkan
- Dasar
- BE
- menjadi
- menjadi
- menjadi
- TERBAIK
- antara
- Blok
- Blog
- kedua
- Kotak
- membangun
- Bangunan
- built-in
- tapi
- by
- dihitung
- panggilan
- CAN
- Bisa Dapatkan
- calon
- kemampuan
- bermodalkan
- menangkap
- membawa
- kasus
- kasus
- pusat
- pusat
- tertentu
- menantang
- tantangan
- menantang
- perubahan
- Perubahan
- karakteristik
- beban
- memeriksa
- terpilih
- Jelas
- Iklim
- Perubahan iklim
- Penyelesaian
- awan
- Batu bara
- kode
- basis kode
- kombinasi
- menggabungkan
- menggabungkan
- komersial
- Lengkap
- kompleks
- komponen
- komposisi
- komputasi
- menghitung
- Perhatian
- prihatin
- Konferensi
- konstan
- kendala
- mengandung
- konteks
- terus
- kontribusi
- dikendalikan
- dikoreksi
- Koreksi
- benar
- Sesuai
- berkorespondensi
- Biaya
- hemat biaya
- bisa
- menutupi
- liputan
- kritis
- sangat penting
- terbaru
- adat
- pelanggan
- disesuaikan
- data
- Data-driven
- kumpulan data
- Tanggal
- tanggal Waktu
- Hari
- keputusan
- dedicated
- mendalam
- menetapkan
- Mendefinisikan
- menyebarkan
- ditunjuk
- dirancang
- keinginan
- rinci
- terperinci
- rincian
- menemukan
- Deteksi
- ditentukan
- perbedaan
- berbeda
- sulit
- langsung
- arah
- pembuangan
- didistribusikan
- sistem terdistribusi
- menyelam
- tidak
- Tidak
- domain
- seri
- gambar
- mendorong
- penggerak
- dua
- selama
- setiap
- Terdahulu
- bumi
- mudah
- Timur
- Efektif
- efisien
- antara
- emisi
- emisi
- aktif
- memungkinkan
- ujung ke ujung
- Teknik
- Insinyur
- memperkaya
- memastikan
- Seluruh
- Lingkungan Hidup
- sama
- kesalahan
- ESA
- penting
- perkiraan
- EU
- mengevaluasi
- contoh
- contoh
- memperluas
- mahal
- pengalaman
- eksperimen
- keahlian
- dieksploitasi
- menyelidiki
- Dieksplorasi
- menyatakan
- ekstrak
- ekstraksi
- mata
- memudahkan
- Fasilitas
- fakta
- faktor
- pertanian
- bidang
- pertarungan
- Angka
- File
- filter
- terakhir
- keuangan
- temuan
- Temuan
- Pertama
- fokus
- Fokus
- terfokus
- berikut
- berikut
- Untuk
- format
- fraksional
- Gratis
- Frekuensi
- dari
- penuh
- sepenuhnya
- fungsi
- lebih lanjut
- masa depan
- GAS
- dihasilkan
- menghasilkan
- geografis
- geografi
- mendapatkan
- GitHub
- diberikan
- Aksi
- Secara global
- bumi
- Go
- tujuan
- baik
- Pemerintah
- grafis
- lebih besar
- tangan
- berbahaya
- Memiliki
- he
- membantu
- membantu
- di sini
- High
- Frekuensi tinggi
- lebih tinggi
- paling tinggi
- Menyoroti
- sangat
- -nya
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- ID
- idealnya
- Identifikasi
- diidentifikasi
- mengidentifikasi
- mengenali
- id
- if
- menggambarkan
- gambar
- gambar
- melaksanakan
- implementasi
- diimplementasikan
- mengimplementasikan
- in
- Di lain
- memasukkan
- termasuk
- Termasuk
- indikasi
- industri
- informasi
- Infrastruktur
- inovatif
- memasukkan
- wawasan
- contoh
- instrumen
- interaktif
- bunga
- Antarmuka
- ke
- diperkenalkan
- IT
- item
- NYA
- Pekerjaan
- bergabung
- perjalanan
- jpg
- hanya
- Menjaga
- kunci
- dikenal
- l2
- besar
- besar-besaran
- bocor
- kebocoran
- BELAJAR
- pengetahuan
- paling sedikit
- meninggalkan
- kurang
- Tingkat
- leveraging
- perpustakaan
- cahaya
- 'like'
- Terbatas
- Daftar
- literatur
- lokal
- logika
- Panjang
- mencintai
- Rendah
- menurunkan
- mesin
- Mesin belajar
- utama
- membuat
- Pembuat
- Membuat
- pengelolaan
- peta
- masker
- sesuai
- matematika
- secara matematis
- maksimum
- berarti
- makna
- berarti
- Metadata
- metana
- emisi metana
- Kebocoran Metana
- metode
- metode
- Pertambangan
- Misi
- misi
- ML
- model
- model
- Memantau
- pemantauan
- lebih
- paling
- beberapa
- nama
- NASA
- Alam
- Perlu
- LSM
- tidak
- None
- utara
- Amerika Utara
- buku catatan
- jumlah
- obyek
- pengamatan
- Oktober
- Oktober 6
- of
- sering
- Minyak
- Minyak dan Gas
- on
- ONE
- terus-menerus
- hanya
- Buka
- beroperasi
- Operasi
- or
- organisasi
- berasal
- Lainnya
- kami
- di luar
- lebih
- sendiri
- panel
- parameter
- pihak
- lulus
- melewati
- bergairah
- lalu
- persen
- Melakukan
- dilakukan
- melakukan
- periode
- phd
- plato
- Kecerdasan Data Plato
- Data Plato
- Janji
- Cukup
- Titik
- kebijaksanaan
- Pembuat kebijakan
- Poligon
- mungkin
- Pos
- potensi
- berpotensi
- Prediksi
- kehadiran
- menyajikan
- Preview
- sebelumnya
- sebelumnya
- proses
- Diproses
- pengolahan
- menghasilkan
- Produk
- properties
- milik
- diusulkan
- memberikan
- disediakan
- menyediakan
- tujuan
- Ular sanca
- hitungan
- Cepat
- segera
- jarak
- cepat
- Penilaian
- Tarif
- alasan
- Mentah
- mencapai
- segera
- dunia nyata
- mengurangi
- lihat
- referensi
- wilayah
- pendaftaran
- melepaskan
- Pers
- mengandalkan
- terpencil
- menghapus
- gudang
- mewakili
- mewakili
- merupakan
- wajib
- membutuhkan
- peneliti
- Resolusi
- sumber
- intensif sumber daya
- itu
- tanggapan
- tanggung jawab
- mengakibatkan
- Hasil
- kembali
- Mengungkapkan
- RGB
- benar
- rutin
- berjalan
- s
- pembuat bijak
- sama
- satelit
- satelit
- terukur
- Skala
- adegan
- adegan
- ilmuwan
- cakupan
- Pencarian
- bagian
- melihat
- pencarian
- terlihat
- terpilih
- senior
- peka
- Kepekaan
- Layanan
- beberapa
- Pendek
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- signifikan
- mirip
- Sederhana
- tunggal
- Situs
- potongan
- masyarakat
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- beberapa
- sumber
- sumber
- berbasis ruang
- rentang
- spasial
- mengkhususkan diri
- tertentu
- Secara khusus
- spesifikasi
- ditentukan
- Spektral
- Spektrum
- kotak
- stakeholder
- standar
- awal
- mulai
- Langkah
- Pemogokan
- kuat
- studi
- studio
- Belajar
- seperti itu
- Menyarankan
- cocok
- Mendukung
- Permukaan
- Sekitarnya
- Keberlanjutan
- berkelanjutan
- sistem
- Mengambil
- diambil
- target
- Teknis
- Teknologi
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- ini
- itu
- ambang
- Melalui
- waktu
- membuang-buang waktu
- kali
- timestamp
- untuk
- Toa
- hari ini
- alat
- Pelatihan VE
- Mengubah
- percobaan
- benar
- benar-benar
- tutorial
- dua
- khas
- kami
- Akhirnya
- Mendasari
- unik
- unik
- tidak diinginkan
- us
- menggunakan
- gunakan case
- kegunaan
- menggunakan
- pengesahan
- nilai
- Nilai - Nilai
- variasi
- berbagai
- vertikal
- terlihat
- visualisasi
- adalah
- Limbah
- Cara..
- we
- jaringan
- layanan web
- BAIK
- yang
- sementara
- akan
- dengan
- dalam
- Kerja
- bekerja
- bekerja
- akan
- membungkus
- X
- tahun
- hasil panen
- Kamu
- Anda
- zephyrnet.dll