O metano (CH4) é um importante gás antropogênico de efeito estufa, subproduto da extração de petróleo e gás, mineração de carvão, criação de animais em grande escala e eliminação de resíduos, entre outras fontes. O potencial de aquecimento global do CH4 é 86 vezes maior que o CO2 e o Painel Intergovernamental sobre Mudanças Climáticas (IPCC) estima que o metano é responsável por 30% do aquecimento global observado até o momento. A rápida redução das fugas de CH4 para a atmosfera representa uma componente crítica na luta contra as alterações climáticas. Em 2021, a ONU introduziu O Compromisso Global do Metano na Conferência sobre Mudanças Climáticas (COP26), com o objetivo de tomar “ações rápidas em relação ao metano para manter um futuro de 1.5°C ao alcance”. O Compromisso tem Signatários 150 incluindo os EUA e a UE.
A detecção precoce e a monitorização contínua das fontes de metano são uma componente chave de uma acção significativa sobre o metano e estão, portanto, a tornar-se uma preocupação tanto para os decisores políticos como para as organizações. Implementar soluções de detecção de metano eficazes e acessíveis em escala – como detectores de metano no local ou espectrômetros montados em aeronaves – é um desafio, pois muitas vezes são impraticáveis ou proibitivamente caros. A detecção remota utilizando satélites, por outro lado, pode fornecer a funcionalidade de detecção à escala global, de alta frequência e económica que as partes interessadas desejam.
Nesta postagem do blog, mostramos como você pode usar Imagens de satélite Sentinel 2 hospedadas no AWS Registry of Open Data em combinação com Recursos geoespaciais do Amazon SageMaker detectar fontes pontuais de emissões de CH4 e monitorá-las ao longo do tempo. Desenhando descobertas recentes da literatura de observação da Terra você aprenderá como implementar um algoritmo personalizado de detecção de metano e usá-lo para detectar e monitorar o vazamento de metano em vários locais em todo o mundo. Esta postagem inclui código que acompanha no GitHub que fornece detalhes técnicos adicionais e ajuda você a começar com sua própria solução de monitoramento de metano.
Tradicionalmente, executar análises geoespaciais complexas era uma tarefa difícil, demorada e que exigia muitos recursos. Recursos geoespaciais do Amazon SageMaker tornar mais fácil para cientistas de dados e engenheiros de aprendizado de máquina construir, treinar e implantar modelos usando dados geoespaciais. Usando os recursos geoespaciais do SageMaker, você pode transformar ou enriquecer com eficiência conjuntos de dados geoespaciais em grande escala, acelerar a construção de modelos com modelos de aprendizado de máquina (ML) pré-treinados e explorar previsões de modelos e dados geoespaciais em um mapa interativo usando gráficos 3D acelerados e recursos integrados. ferramentas de visualização.
Sensoriamento remoto de fontes pontuais de metano usando imagens de satélite multiespectrais
As abordagens de detecção de metano baseadas em satélite normalmente dependem das características únicas de transmitância do CH4. No espectro visível, o CH4 possui valores de transmitância iguais ou próximos de 1, o que significa que é indetectável a olho nu. Em certos comprimentos de onda, entretanto, o metano absorve luz (transmitância <1), uma propriedade que pode ser explorada para fins de detecção. Para isso, o espectro infravermelho de comprimento de onda curto (SWIR) (faixa espectral de 1500–2500 nm) é normalmente escolhido, que é onde o CH4 é mais detectável. Missões de satélites hiper e multiespectrais (ou seja, aquelas com instrumentos ópticos que capturam dados de imagem em múltiplas faixas de comprimento de onda (bandas) em todo o espectro eletromagnético) cobrem essas faixas SWIR e, portanto, representam potenciais instrumentos de detecção. A Figura 1 representa as características de transmitância do metano no espectro SWIR e a cobertura SWIR de vários instrumentos de satélite multiespectrais candidatos (adaptado de isto estudar).
Figura 1 – Características de transmitância do metano no espectro SWIR e cobertura das missões multiespectrais do Sentinel-2
Muitas missões de satélites multiespectrais são limitadas por uma baixa frequência de revisita (por exemplo, PRISMA Hiperespectral em aproximadamente 16 dias) ou por baixa resolução espacial (por exemplo, Sentinela 5 a 7.5 km x 7.5 km). O custo de acesso aos dados é um desafio adicional: algumas constelações dedicadas funcionam como missões comerciais, tornando potencialmente os conhecimentos sobre emissões de CH4 menos disponíveis para investigadores, decisores e outras partes interessadas devido a restrições financeiras. ESA Missão multiespectral Sentinel-2, no qual esta solução se baseia, atinge um equilíbrio adequado entre taxa de revisita (aproximadamente 5 dias), resolução espacial (aproximadamente 20 m) e acesso aberto (hospedado no Registro de dados abertos da AWS).
Sentinel-2 possui duas bandas que cobrem o espectro SWIR (com resolução de 20 m): banda 11 (comprimento de onda central de 1610 nm) e banda 12 (comprimento de onda central de 2190 nm). Ambas as bandas são adequadas para detecção de metano, enquanto a banda 12 tem sensibilidade significativamente maior à absorção de CH4 (ver Figura 1). Intuitivamente, existem duas abordagens possíveis para usar esses dados de refletância SWIR para detecção de metano. Primeiro, você poderia focar em apenas uma única banda SWIR (de preferência aquela que é mais sensível à absorção de CH4) e calcular a diferença pixel por pixel na refletância em duas passagens de satélite diferentes. Alternativamente, você usa dados de uma única passagem de satélite para detecção usando as duas bandas SWIR espectrais adjacentes que possuem propriedades de refletância de superfície e aerossol semelhantes, mas possuem características de absorção de metano diferentes.
O método de detecção que implementamos nesta postagem do blog combina as duas abordagens. Nós desenhamos descobertas recentes da literatura de observação da Terra e calcular a mudança fracionária na refletância do topo da atmosfera (TOA) Δρ (ou seja, a refletância medida pelo Sentinel-2 incluindo contribuições de aerossóis e gases atmosféricos) entre duas passagens de satélite e as duas bandas SWIR; uma passagem de linha de base onde não há metano presente (base) e uma passagem de monitoramento onde há suspeita de uma fonte pontual de metano ativa (monitor). Matematicamente, isso pode ser expresso da seguinte forma:
onde ρ é a refletância TOA medida pelo Sentinel-2, cmonitor e cbase são calculados regredindo os valores de refletância TOA da banda 12 em relação aos da banda 11 em toda a cena (ou seja, ρb11 =c*ρb12). Para mais detalhes, consulte este estudo em monitoramento de alta frequência de fontes pontuais de metano anômalas com observações multiespectrais do satélite Sentinel-2.
Implemente um algoritmo de detecção de metano com recursos geoespaciais do SageMaker
Para implementar o algoritmo de detecção de metano, usamos o notebook geoespacial SageMaker no Amazon SageMaker Studio. O kernel do notebook geoespacial é pré-equipado com bibliotecas geoespaciais essenciais, como GDAL, GeoPandas, Bem feito, raio x e rasterio, permitindo a visualização e o processamento diretos de dados geoespaciais no ambiente de notebook Python. Veja o Guia de Introdução para saber como começar a usar os recursos geoespaciais do SageMaker.
SageMaker fornece uma solução específica API projetado para facilitar a recuperação de imagens de satélite através de uma interface consolidada usando o PesquisaRasterDataCollection Chamada API. SearchRasterDataCollection
depende dos seguintes parâmetros de entrada:
Arn
: o nome do recurso da Amazon (ARN) da coleta de dados raster consultadaAreaOfInterest
: um objeto poligonal (no formato GeoJSON) que representa a região de interesse para a consulta de pesquisaTimeRangeFilter
: Define o intervalo de tempo de interesse, denotado como{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Filtros de propriedades complementares, como especificações para cobertura de nuvens máxima aceitável, também podem ser incorporados
Este método suporta consultas de várias fontes de dados raster que podem ser exploradas chamando ListRasterDataCollections. Nossa implementação de detecção de metano usa Imagens de satélite Sentinel-2, que pode ser referenciado globalmente usando o seguinte ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Este ARN representa imagens do Sentinel-2, que foram processadas até o Nível 2A (refletância de superfície, corrigida atmosfericamente). Para fins de detecção de metano, usaremos dados de refletância do topo da atmosfera (TOA) (Nível 1C), que não incluem as correções atmosféricas no nível da superfície que tornariam indetectáveis alterações na composição e densidade do aerossol (ou seja, vazamentos de metano). .
Para identificar emissões potenciais de uma fonte pontual específica, precisamos de dois parâmetros de entrada: as coordenadas da fonte pontual suspeita e um carimbo de data/hora designado para monitoramento das emissões de metano. Dado que o SearchRasterDataCollection
API usa polígonos ou multipolígonos para definir uma área de interesse (AOI), nossa abordagem envolve primeiro expandir as coordenadas do ponto em uma caixa delimitadora e depois usar esse polígono para consultar imagens do Sentinel-2 usando SearchRasterDateCollection
.
Neste exemplo, monitorizamos uma fuga conhecida de metano proveniente de um campo petrolífero no Norte de África. Este é um caso de validação padrão na literatura de sensoriamento remoto e é referenciado, por exemplo, em isto estudar. Uma base de código totalmente executável é fornecida no repositório GitHub Amazon-sagemaker-examples. Aqui, destacamos apenas seções de código selecionadas que representam os principais blocos de construção para a implementação de uma solução de detecção de metano com recursos geoespaciais do SageMaker. Consulte o repositório para obter detalhes adicionais.
Começamos inicializando as coordenadas e a data alvo de monitoramento para o caso de exemplo.
#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
O trecho de código a seguir gera uma caixa delimitadora para as coordenadas do ponto fornecido e, em seguida, realiza uma pesquisa pelas imagens disponíveis do Sentinel-2 com base na caixa delimitadora e na data de monitoramento especificada:
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 resposta contém uma lista de itens correspondentes do Sentinel-2 e seus metadados correspondentes. Esses incluem GeoTIFFs otimizados para nuvem (COG) para todos Bandas Sentinela-2, assim como miniaturas imagens para uma visualização rápida das faixas visuais da imagem. Naturalmente, também é possível acessar a imagem de satélite em resolução total (gráfico RGB), mostrada na Figura 2 a seguir.
Figura 2 – Imagem de satélite (gráfico RGB) do AOI
Conforme detalhado anteriormente, nossa abordagem de detecção depende de mudanças fracionárias na refletância SWIR do topo da atmosfera (TOA). Para que isto funcione, a identificação de uma boa linha de base é crucial. Encontrar uma boa linha de base pode rapidamente se tornar um processo tedioso que envolve muitas tentativas e erros. No entanto, boas heurísticas podem ajudar muito na automatização desse processo de pesquisa. Uma heurística de busca que funcionou bem para casos investigados no passado é a seguinte: para o passado day_offset=n
dias, recuperar todas as imagens de satélite, remover quaisquer nuvens e recortar a imagem no escopo AOI. Em seguida, calcule a refletância média da banda 12 em todo o AOI. Retorne o ID do bloco Sentinel da imagem com a refletância média mais alta na banda 12.
Essa lógica é implementada no trecho de código a seguir. A sua justificativa baseia-se no fato de que a banda 12 é altamente sensível à absorção de CH4 (ver Figura 1). Um valor médio de refletância maior corresponde a uma menor absorção de fontes como as emissões de metano e, portanto, fornece uma forte indicação para um cenário de referência livre de emissões.
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)
O uso desse método nos permite aproximar uma data de referência adequada e o ID do bloco Sentinel-2 correspondente. Os IDs dos blocos do Sentinel-2 carregam informações sobre o ID da missão (Sentinel-2A/Sentinel-2B), o número exclusivo do bloco (como 32SKA) e a data em que a imagem foi tirada, entre outras informações, e identificam exclusivamente uma observação (ou seja, , uma cena). Em nosso exemplo, o processo de aproximação sugere 6 de outubro de 2019 (bloco Sentinel-2: S2B_32SKA_20191006_0_L2A
), como o candidato de referência mais adequado.
A seguir, podemos calcular a alteração fracionária corrigida na refletância entre a data base e a data que gostaríamos de monitorar. Os fatores de correção c (ver Equação 1 anterior) podem ser calculados com o seguinte código:
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]
A implementação completa da Equação 1 é fornecida no seguinte trecho de código:
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
Finalmente, podemos agrupar os métodos acima em uma rotina ponta a ponta que identifica o AOI para uma determinada longitude e latitude, monitorando a data e o bloco de linha de base, adquirindo as imagens de satélite necessárias e executando o cálculo da mudança de refletância fracionária.
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
A execução deste método com os parâmetros que determinamos anteriormente produz a mudança fracionária na refletância SWIR TOA como um xarray.DataArray. Podemos realizar uma primeira inspeção visual do resultado executando um simples plot()
invocação nesta matriz de dados. Nosso método revela a presença de uma pluma de metano no centro da AOI que era indetectável no gráfico RGB visto anteriormente.
Figura 3 – Mudança de refletância fracionária na refletância TOA (espectro SWIR)
Como etapa final, extraímos a pluma de metano identificada e a sobrepomos em uma imagem de satélite RGB bruta para fornecer o importante contexto geográfico. Isto é conseguido por meio de limiares, que podem ser implementados conforme mostrado a seguir:
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
Para o nosso caso, um limite de -0.02 alteração fracionária na refletância produz bons resultados, mas isso pode mudar de cena para cena e você terá que calibrar isso para seu caso de uso específico. A Figura 4 a seguir ilustra como a sobreposição da pluma é gerada pela combinação da imagem bruta de satélite da AOI com a pluma mascarada em uma única imagem composta que mostra a pluma de metano em seu contexto geográfico.
Figura 4 – Imagem RGB, mudança de refletância fracionária na refletância TOA (espectro SWIR) e sobreposição de pluma de metano para AOI
Validação da solução com eventos reais de emissão de metano
Como etapa final, avaliamos nosso método quanto à sua capacidade de detectar e identificar corretamente vazamentos de metano de diversas fontes e geografias. Primeiro, usamos um experimento de liberação controlada de metano projetado especificamente para o validação de detecção de fonte pontual baseada no espaço e quantificação de emissões de metano em terra. Neste experimento de 2021, os pesquisadores realizaram várias liberações de metano em Ehrenberg, Arizona, durante um período de 19 dias. Executar nosso método de detecção para uma das passagens do Sentinel-2 durante o experimento produz o seguinte resultado mostrando uma pluma de metano:
Figura 5 – Intensidades da pluma de metano para o Experimento de Liberação Controlada do Arizona
A pluma gerada durante a liberação controlada é claramente identificada pelo nosso método de detecção. O mesmo se aplica a outros vazamentos conhecidos no mundo real (na Figura 6 a seguir) provenientes de fontes como um aterro sanitário no Leste Asiático (esquerda) ou uma instalação de petróleo e gás na América do Norte (direita).
Figura 6 – Intensidades da pluma de metano para um aterro sanitário do Leste Asiático (esquerda) e um campo de petróleo e gás na América do Norte (direita)
Em suma, o nosso método pode ajudar a identificar emissões de metano tanto de emissões controladas como de várias fontes pontuais do mundo real em todo o mundo. Isto funciona melhor para fontes pontuais em terra com vegetação circundante limitada. Não funciona para cenas off-shore devido a a alta absorção (isto é, baixa transmitância) do espectro SWIR pela água. Dado que o algoritmo de detecção proposto depende de variações na intensidade do metano, nosso método também requer observações pré-vazamento. Isto pode tornar um desafio o monitoramento de vazamentos com taxas de emissão constantes.
limpar
Para evitar cobranças indesejadas após a conclusão de um trabalho de monitoramento de metano, certifique-se de encerrar a instância do SageMaker e excluir todos os arquivos locais indesejados.
Conclusão
Ao combinar os recursos geoespaciais do SageMaker com fontes de dados geoespaciais abertas, você pode implementar suas próprias soluções de monitoramento remoto altamente personalizadas em escala. Esta postagem do blog focou na detecção de metano, uma área focal para governos, ONGs e outras organizações que buscam detectar e, em última análise, evitar emissões nocivas de metano. Você pode começar hoje mesmo sua própria jornada na análise geoespacial, criando um Notebook com o kernel geoespacial SageMaker e implementando sua própria solução de detecção. Veja o Repositório GitHub para começar a construir sua própria solução de detecção de metano baseada em satélite. Confira também o exemplos de sábio repositório para mais exemplos e tutoriais sobre como usar os recursos geoespaciais do SageMaker em outras aplicações de sensoriamento remoto do mundo real.
Sobre os autores
Dr.Karsten Schroer é arquiteto de soluções da AWS. Ele oferece suporte aos clientes no aproveitamento de dados e tecnologia para impulsionar a sustentabilidade de sua infraestrutura de TI e criar soluções baseadas em dados nativos da nuvem que permitem operações sustentáveis em seus respectivos verticais. Karsten ingressou na AWS após seus estudos de doutorado em aprendizado de máquina aplicado e gerenciamento de operações. Ele é verdadeiramente apaixonado por soluções baseadas em tecnologia para desafios sociais e adora se aprofundar nos métodos e arquiteturas de aplicativos subjacentes a essas soluções.
Janosch Woschitz é arquiteto de soluções sênior na AWS, especializado em IA/ML geoespacial. Com mais de 15 anos de experiência, ele apoia clientes em todo o mundo no aproveitamento de IA e ML para soluções inovadoras que capitalizam dados geoespaciais. Sua experiência abrange aprendizado de máquina, engenharia de dados e sistemas distribuídos escaláveis, complementada por uma sólida experiência em engenharia de software e experiência no setor em domínios complexos, como direção autônoma.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 100
- 11
- 12
- 15 anos
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- habilidade
- Sobre
- acima
- acelerar
- acelerado
- aceitável
- Acesso
- acessando
- alcançado
- Adquire
- em
- Açao Social
- ativo
- Adicional
- adequadamente
- adjacente
- acessível
- África
- Depois de
- contra
- AI
- AI / ML
- algoritmo
- muito parecido
- Todos os Produtos
- permite
- tb
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geoespacial
- Estúdio Amazon SageMaker
- Amazon Web Services
- América
- entre
- an
- Analisa
- analítica
- e
- animal
- qualquer
- api
- relevante
- Aplicação
- aplicações
- aplicado
- abordagem
- se aproxima
- apropriado
- aproximado
- aproximadamente
- SOMOS
- ÁREA
- arizona
- por aí
- Ordem
- AS
- Ásia
- asiático
- At
- Atmosfera
- atmosférico
- aumentado
- automatizando
- Autônomo
- disponível
- média
- evitar
- AWS
- fundo
- Equilíbrio
- BANDA
- base
- baseado
- Linha de Base
- BE
- tornam-se
- tornando-se
- sido
- MELHOR
- entre
- Blocos
- Blog
- ambos
- Caixa
- construir
- Prédio
- construídas em
- mas a
- by
- calculado
- chamada
- CAN
- Pode obter
- candidato
- capacidades
- capitalizar
- capturar
- transportar
- casas
- casos
- Centralização de
- central
- certo
- desafiar
- desafios
- desafiante
- alterar
- Alterações
- características
- acusações
- verificar
- escolhido
- claramente
- Clima
- Das Alterações Climáticas
- Fechar
- Na nuvem
- Carvão
- código
- base de código
- combinação
- combina
- combinando
- comercial
- Efetuado
- integrações
- componente
- composição
- computação
- Computar
- Interesse
- preocupado
- Conferência
- constante
- restrições
- contém
- contexto
- continuar
- contribuições
- controlado
- corrigida
- Correções
- corretamente
- Correspondente
- corresponde
- Custo
- relação custo-benefício
- poderia
- cobrir
- cobertura
- crítico
- crucial
- Atual
- personalizadas
- Clientes
- personalizado
- dados,
- orientado por dados
- conjuntos de dados
- Data
- datetime
- dias
- decisão
- dedicado
- profundo
- definir
- Define
- implantar
- designado
- projetado
- desejo
- detalhe
- detalhado
- detalhes
- descobrir
- Detecção
- determinado
- diferença
- diferente
- difícil
- diretamente
- direção
- disposição
- distribuído
- Sistemas distribuídos
- mergulho
- parece
- Não faz
- domínios
- desenhar
- desenho
- distância
- condução
- dois
- durante
- cada
- Mais cedo
- terra
- mais fácil
- Leste
- Eficaz
- eficientemente
- ou
- emissão
- emissões
- permitir
- permitindo
- end-to-end
- Engenharia
- Engenheiros
- enriquecer
- garantir
- Todo
- Meio Ambiente
- igual
- erro
- ESA
- essencial
- estimativas
- EU
- avaliar
- exemplo
- exemplos
- expansão
- caro
- vasta experiência
- experimentar
- experiência
- exploradas
- explorar
- Explorado
- expressa
- extrato
- Extração
- olho
- facilitar
- Facilidade
- fato
- fatores
- agricultura
- campo
- lutar
- Figura
- Arquivos
- filtros
- final
- financeiro
- descoberta
- descobertas
- Primeiro nome
- focal
- Foco
- focado
- seguinte
- segue
- Escolha
- formato
- fracionário
- Gratuito
- Frequência
- da
- cheio
- totalmente
- funcionalidade
- mais distante
- futuro
- GAS
- gerado
- gera
- geográfico
- geografias
- ter
- GitHub
- dado
- Global
- Globalmente
- globo
- Go
- meta
- Bom estado, com sinais de uso
- Governos
- gráficos
- maior
- mão
- prejudicial
- Ter
- he
- ajudar
- ajuda
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- Alta
- Alta frequência
- superior
- mais
- Destaques
- altamente
- sua
- hospedado
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- HTTPS
- ID
- idealmente
- identificação
- identificado
- identifica
- identificar
- ids
- if
- ilustra
- imagem
- imagens
- executar
- implementação
- implementado
- implementação
- in
- Em outra
- incluir
- inclui
- Incluindo
- indicação
- indústria
- INFORMAÇÕES
- Infraestrutura
- inovadores
- entrada
- insights
- instância
- instrumentos
- interativo
- interesse
- Interface
- para dentro
- introduzido
- IT
- Unid
- ESTÁ
- Trabalho
- ingressou
- viagem
- jpg
- apenas por
- Guarda
- Chave
- conhecido
- l2
- grande
- em grande escala
- vazar
- Vazamentos
- APRENDER
- aprendizagem
- mínimo
- esquerda
- menos
- Nível
- aproveitando
- bibliotecas
- leve
- como
- Limitado
- Lista
- literatura
- local
- lógica
- longo
- ama
- Baixo
- diminuir
- máquina
- aprendizado de máquina
- principal
- fazer
- Makers
- Fazendo
- de grupos
- mapa,
- máscara
- correspondente
- matemática
- matematicamente
- máximo
- significar
- significado
- significativo
- metadados
- metano
- emissões de metano
- Vazamento de metano
- método
- métodos
- Mineração
- Missão
- missões
- ML
- modelo
- modelos
- Monitore
- monitoração
- mais
- a maioria
- múltiplo
- nome
- NASA
- Natureza
- você merece...
- ONGs
- não
- nenhum
- Norte
- América do Norte
- caderno
- número
- objeto
- observação
- Outubro
- Outubro de 6
- of
- frequentemente
- AZEITE E AZEITE EVO
- Petróleo e Gás
- on
- ONE
- contínuo
- só
- aberto
- operar
- Operações
- or
- organizações
- originário
- Outros
- A Nossa
- Fora
- Acima de
- próprio
- painel
- parâmetros
- partes
- passar
- passes
- apaixonado
- passado
- por cento
- Realizar
- realizada
- executa
- significativo
- phd
- platão
- Inteligência de Dados Platão
- PlatãoData
- penhor
- Abundância
- ponto
- Privacidade
- Decisores políticos
- Polygon
- possível
- Publique
- potencial
- potencialmente
- Previsões
- presença
- presente
- visualização
- anterior
- anteriormente
- processo
- Processado
- em processamento
- produz
- Produto
- Propriedades
- propriedade
- proposto
- fornecer
- fornecido
- fornece
- fins
- Python
- quantificação
- Links
- rapidamente
- alcance
- rapidamente
- Taxa
- Preços
- raciocínio
- Cru
- alcançar
- prontamente
- mundo real
- redução
- referir
- referência
- região
- registro
- liberar
- Releases
- depender
- remoto
- remover
- repositório
- representar
- representando
- representa
- requeridos
- exige
- pesquisadores
- Resolução
- recurso
- uso intensivo de recursos
- aqueles
- resposta
- responsável
- resultar
- Resultados
- retorno
- revela
- RGB
- certo
- rotina
- corrida
- s
- sábio
- mesmo
- satélite
- satélites
- escalável
- Escala
- cena
- Cenas
- cientistas
- escopo
- Pesquisar
- seções
- Vejo
- busca
- visto
- selecionado
- senior
- sensível
- Sensibilidade
- Serviços
- vários
- Baixo
- mostrar
- mostrando
- Shows
- de forma considerável
- semelhante
- simples
- solteiro
- Locais
- fragmento
- social
- Software
- Engenharia de software
- solução
- Soluções
- alguns
- fonte
- Fontes
- baseado no espaço
- vãos
- Espacial
- especializando
- específico
- especificamente
- especificações
- especificada
- Espectral
- Espectro
- quadrados
- partes interessadas
- padrão
- começo
- começado
- Passo
- Greves
- mais forte,
- caso
- estudo
- Estudo
- tal
- Sugere
- adequado
- suportes
- superfície
- Em torno da
- Sustentabilidade
- sustentável
- sistemas
- Tire
- tomado
- Target
- Dados Técnicos:
- Tecnologia
- que
- A
- deles
- Eles
- então
- Lá.
- assim sendo
- Este
- deles
- isto
- aqueles
- limiar
- Através da
- tempo
- demorado
- vezes
- timestamp
- para
- Quarto
- hoje
- ferramentas
- Trem
- Transformar
- julgamento
- verdadeiro
- verdadeiramente
- tutoriais
- dois
- tipicamente
- nos
- Em última análise
- Subjacente
- único
- unicamente
- não desejado
- us
- usar
- caso de uso
- usos
- utilização
- validação
- valor
- Valores
- variedade
- vário
- Verticais
- visível
- visualização
- foi
- Desperdício
- Caminho..
- we
- web
- serviços web
- BEM
- qual
- enquanto
- precisarão
- de
- dentro
- Atividades:
- trabalhou
- trabalho
- seria
- embrulho
- X
- anos
- rendimentos
- Vocês
- investimentos
- zefirnet