Il metano (CH4) è un importante gas serra di origine antropica che è un sottoprodotto dell'estrazione di petrolio e gas, dell'estrazione del carbone, dell'allevamento di animali su larga scala e dello smaltimento dei rifiuti, tra le altre fonti. Il potenziale di riscaldamento globale di Il CH4 è 86 volte quello della CO2 e lo stima il Gruppo intergovernativo sui cambiamenti climatici (IPCC). il metano è responsabile del 30% del riscaldamento globale osservato fino ad oggi. Ridurre rapidamente la perdita di CH4 nell’atmosfera rappresenta una componente fondamentale nella lotta contro il cambiamento climatico. Nel 2021, l'ONU ha introdotto L’impegno globale sul metano alla Conferenza sui cambiamenti climatici (COP26), con l’obiettivo di intraprendere “un’azione rapida sul metano per mantenere un futuro a 1.5°C a portata di mano”. L'impegno ha 150 firmatari compresi gli Stati Uniti e l’UE.
Il rilevamento precoce e il monitoraggio continuo delle fonti di metano sono una componente chiave di un’azione significativa sul metano e stanno quindi diventando una preoccupazione sia per i politici che per le organizzazioni. Implementare soluzioni di rilevamento del metano convenienti ed efficaci su larga scala, come rilevatori di metano in loco o spettrometri montati su aerei – è impegnativo, poiché spesso sono poco pratici o proibitivamente costosi. Il telerilevamento tramite satellite, d’altro canto, può fornire la funzionalità di rilevamento su scala globale, ad alta frequenza ed economicamente vantaggiosa che le parti interessate desiderano.
In questo post del blog, ti mostriamo come puoi utilizzare Immagini satellitari Sentinel 2 ospitate nel registro AWS di Open Data in combinazione con Funzionalità geospaziali di Amazon SageMaker per rilevare fonti puntuali di emissioni di CH4 e monitorarle nel tempo. Disegnare su recenti scoperte dalla letteratura sull’osservazione della Terra imparerai come implementare un algoritmo personalizzato per il rilevamento del metano e utilizzarlo per rilevare e monitorare le perdite di metano da una varietà di siti in tutto il mondo. Questo post include codice di accompagnamento su GitHub che fornisce ulteriori dettagli tecnici e ti aiuta a iniziare con la tua soluzione di monitoraggio del metano.
Tradizionalmente, l’esecuzione di analisi geospaziali complesse era un’impresa difficile, dispendiosa in termini di tempo e risorse. Funzionalità geospaziali di Amazon SageMaker rendere più semplice per i data scientist e gli ingegneri del machine learning creare, addestrare e distribuire modelli utilizzando dati geospaziali. Utilizzando le funzionalità geospaziali di SageMaker, puoi trasformare o arricchire in modo efficiente set di dati geospaziali su larga scala, accelerare la creazione di modelli con modelli di machine learning (ML) preaddestrati ed esplorare previsioni di modelli e dati geospaziali su una mappa interattiva utilizzando grafica 3D accelerata e funzionalità integrate strumenti di visualizzazione.
Telerilevamento di sorgenti puntiformi di metano utilizzando immagini satellitari multispettrali
Gli approcci di rilevamento del metano basati su satellite si basano tipicamente sulle caratteristiche uniche di trasmittanza del CH4. Nello spettro visibile, il CH4 ha valori di trasmittanza uguali o prossimi a 1, il che significa che non è rilevabile ad occhio nudo. Attraverso determinate lunghezze d'onda, tuttavia, il metano assorbe la luce (trasmittanza <1), una proprietà che può essere sfruttata a fini di rilevamento. Per questo, viene tipicamente scelto lo spettro infrarosso a lunghezza d'onda corta (SWIR) (intervallo spettrale 1500–2500 nm), che è dove il CH4 è maggiormente rilevabile. Le missioni satellitari iper e multispettrali (ovvero quelle con strumenti ottici che catturano dati di immagini all'interno di più intervalli di lunghezze d'onda (bande) attraverso lo spettro elettromagnetico) coprono questi intervalli SWIR e rappresentano quindi potenziali strumenti di rilevamento. La Figura 1 mostra le caratteristiche di trasmittanza del metano nello spettro SWIR e la copertura SWIR di vari strumenti satellitari multispettrali candidati (adattati da questo studia).
Figura 1 – Caratteristiche di trasmittanza del metano nello spettro SWIR e copertura delle missioni multispettrali Sentinel-2
Molte missioni satellitari multispettrali sono limitate da una bassa frequenza di rivisitazione (ad esempio, PRISMA Iperspettrale a circa 16 giorni) o con una bassa risoluzione spaziale (ad esempio, Sentinella 5 a 7.5 km x 7.5 km). Il costo di accesso ai dati rappresenta un’ulteriore sfida: alcune costellazioni dedicate operano come missioni commerciali, rendendo potenzialmente le informazioni sulle emissioni di CH4 meno facilmente disponibili a ricercatori, decisori e altre parti interessate a causa di vincoli finanziari. dell'ESA Missione multispettrale Sentinel-2, su cui si basa questa soluzione, raggiunge un equilibrio adeguato tra tasso di rivisitazione (circa 5 giorni), risoluzione spaziale (circa 20 m) e accesso aperto (ospitato sul sito Registro AWS dei dati aperti).
Sentinel-2 ha due bande che coprono lo spettro SWIR (a una risoluzione di 20 m): banda 11 (lunghezza d'onda centrale 1610 nm) e banda 12 (lunghezza d'onda centrale 2190 nm). Entrambe le bande sono adatte per il rilevamento del metano, mentre la banda 12 ha una sensibilità significativamente più elevata all'assorbimento di CH4 (vedere Figura 1). Intuitivamente ci sono due possibili approcci per utilizzare questi dati di riflettanza SWIR per il rilevamento del metano. Innanzitutto, potresti concentrarti su una sola banda SWIR (idealmente quella più sensibile all'assorbimento di CH4) e calcolare la differenza pixel per pixel nella riflettanza attraverso due diversi passaggi satellitari. In alternativa, si utilizzano i dati di un singolo passaggio satellitare per il rilevamento utilizzando le due bande spettrali SWIR adiacenti che hanno proprietà simili di riflettanza della superficie e dell'aerosol ma hanno caratteristiche diverse di assorbimento del metano.
Il metodo di rilevamento che implementiamo in questo post del blog combina entrambi gli approcci. Attingiamo recenti scoperte dalla letteratura sull’osservazione della Terra e calcolare la variazione frazionaria della riflettanza Δρ della parte superiore dell'atmosfera (TOA) (ovvero, la riflettanza misurata da Sentinel-2 compresi i contributi degli aerosol e dei gas atmosferici) tra due passaggi satellitari e le due bande SWIR; un passaggio di riferimento in cui non è presente metano (base) e un passaggio di monitoraggio in cui si sospetta una fonte puntiforme di metano attivo (monitor). Matematicamente, questo può essere espresso come segue:
dove ρ è la riflettanza TOA misurata da Sentinel-2, cmonitore e Cbase vengono calcolati regredendo i valori di riflettanza TOA della banda 12 rispetto a quelli della banda 11 nell'intera scena (ovvero, ρb11 = c*ρb12). Per maggiori dettagli, fare riferimento a questo studio su monitoraggio ad alta frequenza di sorgenti puntiformi anomale di metano con osservazioni multispettrali del satellite Sentinel-2.
Implementa un algoritmo di rilevamento del metano con le funzionalità geospaziali di SageMaker
Per implementare l'algoritmo di rilevamento del metano, utilizziamo il notebook geospaziale SageMaker all'interno di Amazon SageMaker Studio. Il kernel del notebook geospaziale è pre-equipaggiato con librerie geospaziali essenziali come GDAL, GeoPanda, formoso, raggi xe Rasteria, consentendo la visualizzazione e l'elaborazione diretta dei dati geospaziali all'interno dell'ambiente notebook Python. Vedi il guida introduttiva per scoprire come iniziare a utilizzare le funzionalità geospaziali di SageMaker.
SageMaker fornisce un servizio appositamente creato API progettato per facilitare il recupero di immagini satellitari attraverso un'interfaccia consolidata utilizzando il RicercaRasterDataCollection Chiamata API. SearchRasterDataCollection
si basa sui seguenti parametri di input:
Arn
: il nome della risorsa Amazon (ARN) della raccolta di dati raster interrogatiAreaOfInterest
: un oggetto poligonale (in formato GeoJSON) che rappresenta la regione di interesse per la query di ricercaTimeRangeFilter
: Definisce l'intervallo di tempo di interesse, indicato come{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Possono essere incorporati anche filtri di proprietà supplementari, come le specifiche per la massima copertura nuvolosa accettabile
Questo metodo supporta l'interrogazione da varie origini dati raster che possono essere esplorate chiamando ElencoRasterDataCollections. La nostra implementazione del rilevamento del metano utilizza Immagini satellitari Sentinel-2, a cui è possibile fare riferimento a livello globale utilizzando il seguente ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Questo ARN rappresenta le immagini Sentinel-2, che sono state elaborate al livello 2A (riflettanza superficiale, corretta dal punto di vista atmosferico). Per scopi di rilevamento del metano, utilizzeremo i dati di riflettanza della parte superiore dell'atmosfera (TOA) (Livello 1C), che non includono le correzioni atmosferiche a livello superficiale che renderebbero non rilevabili i cambiamenti nella composizione e nella densità dell'aerosol (ovvero, perdite di metano). .
Per identificare potenziali emissioni da una fonte puntuale specifica, abbiamo bisogno di due parametri di input: le coordinate della fonte puntiforme sospetta e un timestamp designato per il monitoraggio delle emissioni di metano. Dato che il SearchRasterDataCollection
L'API utilizza poligoni o multipoligoni per definire un'area di interesse (AOI), il nostro approccio prevede prima l'espansione delle coordinate del punto in un riquadro di delimitazione e poi l'utilizzo di quel poligono per interrogare le immagini Sentinel-2 utilizzando SearchRasterDateCollection
.
In questo esempio, monitoriamo una fuga nota di metano proveniente da un giacimento petrolifero nel Nord Africa. Questo è un caso di validazione standard nella letteratura sul telerilevamento e viene citato, ad esempio, in questo studio. Una base di codice completamente eseguibile è fornita su repository GitHub di amazon-sagemaker-examples. Qui evidenziamo solo le sezioni di codice selezionate che rappresentano gli elementi fondamentali per l'implementazione di una soluzione di rilevamento del metano con le funzionalità geospaziali di SageMaker. Consulta il repository per ulteriori dettagli.
Iniziamo inizializzando le coordinate e la data di monitoraggio prevista per il caso di esempio.
#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
Il seguente frammento di codice genera un riquadro di delimitazione per le coordinate del punto specificato e quindi esegue una ricerca delle immagini Sentinel-2 disponibili in base al riquadro di delimitazione e alla data di monitoraggio specificata:
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 risposta contiene un elenco di elementi Sentinel-2 corrispondenti e i relativi metadati. Questi includono GeoTIFF ottimizzati per il cloud (COG) per tutti Bande Sentinel-2, così come miniature immagini per una rapida anteprima delle fasce visive dell'immagine. Naturalmente è anche possibile accedere all'immagine satellitare a piena risoluzione (tracciato RGB), mostrata nella Figura 2 che segue.
Figura 2 – Immagine satellitare (grafico RGB) dell'AOI
Come spiegato in precedenza, il nostro approccio di rilevamento si basa su cambiamenti frazionari nella riflettanza SWIR della parte superiore dell'atmosfera (TOA). Affinché tutto ciò funzioni, l’identificazione di una buona base di partenza è cruciale. Trovare una buona base di riferimento può diventare rapidamente un processo noioso che comporta numerosi tentativi ed errori. Tuttavia, una buona euristica può fare molto per automatizzare questo processo di ricerca. Un'euristica di ricerca che ha funzionato bene per i casi indagati in passato è la seguente: per il passato day_offset=n
giorni, recuperare tutte le immagini satellitari, rimuovere eventuali nuvole e ritagliare l'immagine nell'AOI nell'ambito. Quindi calcolare la riflettanza media della banda 12 attraverso l'AOI. Restituisce l'ID della tessera Sentinel dell'immagine con la riflettanza media più alta nella banda 12.
Questa logica è implementata nel seguente estratto di codice. La sua logica si basa sul fatto che la banda 12 è altamente sensibile all'assorbimento di CH4 (vedi Figura 1). Un valore di riflettanza medio maggiore corrisponde a un assorbimento inferiore da fonti come le emissioni di metano e quindi fornisce una forte indicazione per una scena di riferimento priva di emissioni.
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'utilizzo di questo metodo ci consente di approssimare una data di riferimento adeguata e il corrispondente ID del riquadro Sentinel-2. Gli ID delle tessere Sentinel-2 contengono informazioni sull'ID della missione (Sentinel-2A/Sentinel-2B), il numero univoco delle tessere (ad esempio 32SKA) e la data in cui è stata scattata l'immagine, oltre ad altre informazioni e identificano in modo univoco un'osservazione (ovvero , una scena). Nel nostro esempio, il processo di approssimazione suggerisce il 6 ottobre 2019 (riquadro Sentinel-2: S2B_32SKA_20191006_0_L2A
), come il candidato di riferimento più adatto.
Successivamente, possiamo calcolare la variazione frazionaria corretta della riflettanza tra la data di riferimento e la data che vorremmo monitorare. I fattori di correzione c (vedi Equazione 1 precedente) possono essere calcolati con il seguente codice:
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'implementazione completa dell'equazione 1 è fornita nel seguente frammento di codice:
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
Infine, possiamo racchiudere i metodi di cui sopra in una routine end-to-end che identifica l'AOI per una determinata longitudine e latitudine, monitorando la data e il riquadro della linea di base, acquisisce le immagini satellitari richieste ed esegue il calcolo del cambiamento di riflettanza frazionaria.
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'esecuzione di questo metodo con i parametri che abbiamo determinato in precedenza produce la variazione frazionaria nella riflettanza SWIR TOA come un xarray.DataArray. Possiamo eseguire un primo controllo visivo del risultato eseguendo un semplice plot()
invocazione su questo array di dati. Il nostro metodo rivela la presenza di un pennacchio di metano al centro dell'AOI che non era rilevabile nel grafico RGB visto in precedenza.
Figura 3 – Variazione frazionaria della riflettanza TOA (spettro SWIR)
Come passaggio finale, estraiamo il pennacchio di metano identificato e lo sovrapponiamo a un'immagine satellitare RGB grezza per fornire l'importante contesto geografico. Ciò si ottiene mediante soglie, che possono essere implementate come mostrato di seguito:
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
Nel nostro caso, una soglia di variazione frazionaria di -0.02 nella riflettanza produce buoni risultati, ma questo può cambiare da scena a scena e dovrai calibrarlo per il tuo caso d'uso specifico. La Figura 4 che segue illustra come viene generata la sovrapposizione del pennacchio combinando l'immagine satellitare grezza dell'AOI con il pennacchio mascherato in un'unica immagine composita che mostra il pennacchio di metano nel suo contesto geografico.
Figura 4 – Immagine RGB, variazione di riflettanza frazionaria nella riflettanza TOA (spettro SWIR) e sovrapposizione del pennacchio di metano per AOI
Convalida della soluzione con eventi reali di emissioni di metano
Come passaggio finale, valutiamo la capacità del nostro metodo di rilevare e individuare correttamente le perdite di metano da una serie di fonti e aree geografiche. Innanzitutto, utilizziamo un esperimento di rilascio controllato di metano appositamente progettato per convalida del rilevamento di fonti puntiformi dallo spazio e della quantificazione delle emissioni di metano onshore. In questo esperimento del 2021, i ricercatori hanno eseguito diversi rilasci di metano a Ehrenberg, in Arizona, per un periodo di 19 giorni. L'esecuzione del nostro metodo di rilevamento per uno dei passaggi Sentinel-2 durante il periodo di quell'esperimento produce il seguente risultato che mostra un pennacchio di metano:
Figura 5 – Intensità del pennacchio di metano per l'esperimento a rilascio controllato in Arizona
Il pennacchio generato durante il rilascio controllato è chiaramente identificato dal nostro metodo di rilevamento. Lo stesso vale per altre perdite reali conosciute (nella Figura 6 che segue) provenienti da fonti come una discarica nell’Asia orientale (a sinistra) o un impianto di petrolio e gas nel Nord America (a destra).
Figura 6 – Intensità dei pennacchi di metano per una discarica dell’Asia orientale (a sinistra) e un giacimento di petrolio e gas nel Nord America (a destra)
In sintesi, il nostro metodo può aiutare a identificare le emissioni di metano sia da rilasci controllati che da varie fonti puntuali del mondo reale in tutto il mondo. Questo funziona meglio per sorgenti puntuali sulla terraferma con vegetazione circostante limitata. Non funziona per le scene off-shore a causa di l'elevato assorbimento (cioè bassa trasmittanza) dello spettro SWIR da parte dell'acqua. Dato che l'algoritmo di rilevamento proposto si basa sulle variazioni dell'intensità del metano, il nostro metodo richiede anche osservazioni pre-perdite. Ciò può rendere difficile il monitoraggio delle perdite con tassi di emissione costanti.
ripulire
Per evitare di incorrere in addebiti indesiderati una volta completato un lavoro di monitoraggio del metano, assicurati di terminare l'istanza di SageMaker ed eliminare eventuali file locali indesiderati.
Conclusione
Combinando le funzionalità geospaziali di SageMaker con origini dati geospaziali aperte, puoi implementare le tue soluzioni di monitoraggio remoto altamente personalizzate su larga scala. Questo post del blog si concentrava sul rilevamento del metano, un’area focale per governi, ONG e altre organizzazioni che cercano di rilevare e, in definitiva, evitare emissioni dannose di metano. Puoi iniziare oggi stesso il tuo viaggio nell'analisi geospaziale avviando un notebook con il kernel geospaziale SageMaker e implementando la tua soluzione di rilevamento. Vedi il Repository GitHub per iniziare a costruire la tua soluzione di rilevamento del metano basata su satellite. Controlla anche il sagemaker-esempi repository per ulteriori esempi ed esercitazioni su come utilizzare le funzionalità geospaziali di SageMaker in altre applicazioni di telerilevamento del mondo reale.
Circa gli autori
Dottor Karsten Schroer è un architetto di soluzioni presso AWS. Supporta i clienti nello sfruttare i dati e la tecnologia per promuovere la sostenibilità della loro infrastruttura IT e creare soluzioni basate sui dati native del cloud che consentano operazioni sostenibili nei rispettivi verticali. Karsten è entrato a far parte di AWS dopo i suoi studi di dottorato in machine learning applicato e gestione delle operazioni. È veramente appassionato di soluzioni abilitate dalla tecnologia alle sfide della società e ama approfondire i metodi e le architetture applicative che sono alla base di queste soluzioni.
Janosch Woschitz è un Senior Solutions Architect presso AWS, specializzato in AI/ML geospaziale. Con oltre 15 anni di esperienza, supporta i clienti a livello globale nello sfruttamento dell'intelligenza artificiale e del machine learning per soluzioni innovative che sfruttano i dati geospaziali. La sua esperienza spazia dall'apprendimento automatico, all'ingegneria dei dati e ai sistemi distribuiti scalabili, arricchita da un forte background nell'ingegneria del software e dalla competenza nel settore in settori complessi come la guida autonoma.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :ha
- :È
- :non
- :Dove
- $ SU
- 1
- 100
- 11
- 12
- 15 anni
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- capacità
- Chi siamo
- sopra
- accelerare
- accelerata
- accettabile
- accesso
- Accedendo
- raggiunto
- Acquisisce
- operanti in
- Action
- attivo
- aggiuntivo
- adeguatamente
- adiacente
- conveniente
- Africa
- Dopo shavasana, sedersi in silenzio; saluti;
- contro
- AI
- AI / ML
- algoritmo
- nello stesso modo
- Tutti
- consente
- anche
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geospaziale
- Amazon Sage Maker Studio
- Amazon Web Services
- America
- tra
- an
- Analisi
- analitica
- ed
- animali
- in qualsiasi
- api
- applicabile
- Applicazioni
- applicazioni
- applicato
- approccio
- approcci
- opportuno
- approssimativo
- circa
- SONO
- RISERVATA
- Arizona
- in giro
- Italia
- AS
- Asia
- asiatico
- At
- Atmosfera
- atmosferico
- aumentata
- Automatizzare
- autonomo
- disponibile
- media
- evitare
- AWS
- sfondo
- Equilibrio
- BAND
- base
- basato
- Linea di base
- BE
- diventare
- diventando
- stato
- MIGLIORE
- fra
- Blocchi
- Blog
- entrambi
- Scatola
- costruire
- Costruzione
- incassato
- ma
- by
- calcolato
- chiamata
- Materiale
- Può ottenere
- candidato
- funzionalità
- capitalizzare
- catturare
- trasportare
- Custodie
- casi
- centro
- centrale
- certo
- Challenge
- sfide
- impegnativo
- il cambiamento
- Modifiche
- caratteristiche
- oneri
- dai un'occhiata
- scelto
- chiaramente
- Clima
- Cambiamento climatico
- Chiudi
- Cloud
- Carbone
- codice
- base del codice
- combinazione
- combina
- combinando
- Completato
- complesso
- componente
- composizione
- calcolo
- Calcolare
- Problemi della Pelle
- interessato
- Convegno
- costante
- vincoli
- contiene
- contesto
- continua
- contributi
- controllata
- corretto
- Correzioni
- correttamente
- Corrispondente
- corrisponde
- Costo
- costo effettivo
- potuto
- coprire
- copertura
- critico
- cruciale
- Corrente
- costume
- Clienti
- personalizzate
- dati
- data-driven
- dataset
- Data
- datetime
- Giorni
- decisione
- dedicato
- deep
- definire
- definisce
- schierare
- designato
- progettato
- desiderio
- dettaglio
- dettagliati
- dettagli
- individuare
- rivelazione
- determinato
- differenza
- diverso
- difficile
- dirette
- direzione
- smaltimento
- distribuito
- sistemi distribuiti
- immersione
- effettua
- non
- domini
- disegnare
- disegno
- guidare
- guida
- dovuto
- durante
- ogni
- In precedenza
- terra
- più facile
- est
- Efficace
- in modo efficiente
- o
- emissione
- emissioni
- enable
- consentendo
- da un capo all'altro
- Ingegneria
- Ingegneri
- arricchire
- garantire
- Intero
- Ambiente
- pari
- errore
- ESA
- essential
- stime
- EU
- valutare
- esempio
- Esempi
- espansione
- costoso
- esperienza
- esperimento
- competenza
- Exploited
- esplora
- Esplorazione
- espresso
- estratto
- estrazione
- occhio
- facilitare
- Facility
- fatto
- Fattori
- agricoltura
- campo
- combattere
- figura
- File
- filtri
- finale
- finanziario
- ricerca
- I risultati
- Nome
- focale
- Focus
- concentrato
- i seguenti
- segue
- Nel
- formato
- frazionario
- Gratis
- Frequenza
- da
- pieno
- completamente
- funzionalità
- ulteriormente
- futuro
- GAS
- generato
- genera
- geografico
- geografie
- ottenere
- GitHub
- dato
- globali
- Globalmente
- globo
- Go
- scopo
- buono
- I governi
- grafiche
- maggiore
- cura
- dannoso
- Avere
- he
- Aiuto
- aiuta
- qui
- Alta
- Alta frequenza
- superiore
- massimo
- Highlight
- vivamente
- il suo
- ospitato
- Come
- Tutorial
- Tuttavia
- HTML
- HTTPS
- ID
- idealmente
- Identificazione
- identificato
- identifica
- identificare
- ids
- if
- illustra
- Immagine
- immagini
- realizzare
- implementazione
- implementato
- Implementazione
- in
- In altre
- includere
- inclusi
- Compreso
- indicazione
- industria
- informazioni
- Infrastruttura
- creativi e originali
- ingresso
- intuizioni
- esempio
- strumenti
- interattivo
- interesse
- Interfaccia
- ai miglioramenti
- introdotto
- IT
- elementi
- SUO
- Lavoro
- congiunto
- viaggio
- jpg
- ad appena
- mantenere
- Le
- conosciuto
- l2
- grandi
- larga scala
- perdita
- Perdite
- IMPARARE
- apprendimento
- meno
- a sinistra
- meno
- Livello
- leveraging
- biblioteche
- leggera
- piace
- Limitato
- Lista
- letteratura
- locale
- logica
- Lunghi
- ama
- Basso
- inferiore
- macchina
- machine learning
- maggiore
- make
- Makers
- Fare
- gestione
- carta geografica
- mask
- corrispondenza
- matematica
- matematicamente
- massimo
- significare
- significato
- significativo
- Metadati
- metano
- emissioni di metano
- Perdita di metano
- metodo
- metodi
- Siti di estrazione mineraria
- Missione
- missioni
- ML
- modello
- modelli
- Monitorare
- monitoraggio
- Scopri di più
- maggior parte
- multiplo
- Nome
- Nasa
- Natura
- Bisogno
- ONG
- no
- Nessuna
- Nord
- America del Nord
- taccuino
- numero
- oggetto
- osservazione
- ottobre
- ottobre 6
- of
- di frequente
- Olio
- Olio e Gas
- on
- ONE
- in corso
- esclusivamente
- aprire
- operare
- Operazioni
- or
- organizzazioni
- originario
- Altro
- nostro
- su
- ancora
- proprio
- pannello di eventi
- parametri
- parti
- passare
- Passi
- appassionato
- passato
- per cento
- Eseguire
- eseguita
- esegue
- periodo
- phd
- Platone
- Platone Data Intelligence
- PlatoneDati
- Impegno
- Abbondanza
- punto
- politica
- Responsabili politici
- Poligono
- possibile
- Post
- potenziale
- potenzialmente
- Previsioni
- presenza
- presenti
- Anteprima
- precedente
- in precedenza
- processi
- Elaborato
- lavorazione
- produce
- Prodotto
- proprietà
- proprietà
- proposto
- fornire
- purché
- fornisce
- fini
- Python
- quantificazione
- Presto
- rapidamente
- gamma
- rapidamente
- tasso
- fondamento logico
- Crudo
- raggiungere
- prontamente
- mondo reale
- riducendo
- riferimento
- riferimento
- regione
- registro
- rilasciare
- Uscite
- fare affidamento
- a distanza
- rimuovere
- deposito
- rappresentare
- che rappresenta
- rappresenta
- necessario
- richiede
- ricercatori
- Risoluzione
- risorsa
- risorsa intensiva
- quelli
- risposta
- responsabile
- colpevole
- Risultati
- ritorno
- Rivela
- RGB
- destra
- routine
- running
- s
- sagemaker
- stesso
- satellitare
- satelliti
- scalabile
- Scala
- scena
- Scene
- scienziati
- portata
- Cerca
- sezioni
- vedere
- cerca
- visto
- selezionato
- anziano
- delicata
- Sensibilità
- Servizi
- alcuni
- Corti
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- significativamente
- simile
- Un'espansione
- singolo
- Siti
- frammento
- sociale
- Software
- Ingegneria del software
- soluzione
- Soluzioni
- alcuni
- Fonte
- fonti
- basato sullo spazio
- campate
- Spaziale
- specializzata
- specifico
- in particolare
- Specifiche tecniche
- specificato
- Spettrale
- Spettro
- piazze
- stakeholder
- Standard
- inizia a
- iniziato
- step
- Scioperi
- forte
- studi
- studio
- Studio
- tale
- suggerisce
- adatto
- supporti
- superficie
- Circostante
- Sostenibilità
- sostenibile
- SISTEMI DI TRATTAMENTO
- Fai
- preso
- Target
- Consulenza
- Tecnologia
- che
- I
- loro
- Li
- poi
- Là.
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- quelli
- soglia
- Attraverso
- tempo
- richiede tempo
- volte
- timestamp
- a
- stanza
- oggi
- strumenti
- Treni
- Trasformare
- prova
- vero
- veramente
- esercitazioni
- seconda
- tipicamente
- noi
- in definitiva
- Sottolineare
- unico
- univocamente
- non desiderato
- us
- uso
- caso d'uso
- usa
- utilizzando
- convalida
- APPREZZIAMO
- Valori
- varietà
- vario
- verticali
- visibile
- visualizzazione
- Prima
- Rifiuto
- Modo..
- we
- sito web
- servizi web
- WELL
- quale
- while
- volere
- con
- entro
- Lavora
- lavorato
- lavori
- sarebbe
- avvolgere
- X
- anni
- i rendimenti
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro