Метан (CH4) является основным антропогенным парниковым газом, который является побочным продуктом добычи нефти и газа, добычи угля, крупномасштабного животноводства и утилизации отходов, а также других источников. Потенциал глобального потепления CH4 в 86 раз больше CO2 и Межправительственная группа экспертов по изменению климата (МГЭИК) подсчитали, что метан ответственен за 30 процентов наблюдаемого глобального потепления на сегодняшний день.. Быстрое сокращение выбросов CH4 в атмосферу представляет собой важнейший компонент борьбы с изменением климата. В 2021 году ООН представила Глобальное обязательство по метану на конференции по изменению климата (COP26) с целью принять «быстрые меры по метану, чтобы будущее с потеплением на 1.5°C было в пределах досягаемости». Обязательство имеет Подписчики 150 включая США и ЕС.
Раннее обнаружение и постоянный мониторинг источников метана является ключевым компонентом значимых действий по борьбе с метаном и поэтому становится проблемой как для политиков, так и для организаций. Внедрение доступных и эффективных решений по обнаружению метана в больших масштабах, таких как детекторы метана на месте или бортовые спектрометры – является сложной задачей, поскольку они часто непрактичны или непомерно дороги. С другой стороны, дистанционное зондирование с использованием спутников может обеспечить глобальные, высокочастотные и экономически эффективные функции обнаружения, которые необходимы заинтересованным сторонам.
В этом сообщении блога мы покажем вам, как вы можете использовать Спутниковые снимки Sentinel 2 размещены в реестре открытых данных AWS. в сочетании с Геопространственные возможности Amazon SageMaker для обнаружения точечных источников выбросов CH4 и их постоянного мониторинга. Опираясь на последние результаты из литературы по наблюдению Земли вы узнаете, как реализовать собственный алгоритм обнаружения метана и использовать его для обнаружения и мониторинга утечек метана из различных мест по всему миру. Этот пост включает в себя сопроводительный код на GitHub который предоставляет дополнительную техническую информацию и помогает вам начать работу с собственным решением для мониторинга метана.
Традиционно проведение сложного геопространственного анализа было трудной, трудоемкой и ресурсоемкой задачей. Геопространственные возможности Amazon SageMaker облегчить специалистам по данным и инженерам машинного обучения создание, обучение и развертывание моделей с использованием геопространственных данных. Используя геопространственные возможности SageMaker, вы можете эффективно преобразовывать или обогащать крупномасштабные наборы геопространственных данных, ускорять построение моделей с помощью предварительно обученных моделей машинного обучения (ML), а также исследовать прогнозы моделей и геопространственные данные на интерактивной карте с помощью 3D-ускоренной графики и встроенных инструменты визуализации.
Дистанционное зондирование точечных источников метана с использованием мультиспектральных космических снимков
Спутниковые подходы к обнаружению метана обычно основаны на уникальных характеристиках пропускания CH4. В видимом спектре CH4 имеет коэффициент пропускания, равный или близкий к 1, что означает, что его невозможно обнаружить невооруженным глазом. Однако на определенных длинах волн метан поглощает свет (коэффициент пропускания <1), и это свойство можно использовать в целях обнаружения. Для этого обычно выбирается коротковолновой инфракрасный спектр (SWIR) (спектральный диапазон 1500–2500 нм), в котором CH4 наиболее обнаружен. Гипер- и мультиспектральные спутниковые миссии (то есть миссии с оптическими приборами, которые захватывают данные изображений в нескольких диапазонах длин волн (диапазонах) электромагнитного спектра) охватывают эти диапазоны SWIR и, следовательно, представляют собой потенциальные инструменты обнаружения. На рисунке 1 показаны характеристики пропускания метана в SWIR-спектре и покрытие SWIR различных потенциальных мультиспектральных спутниковых инструментов (адаптировано из этой исследование).
Рисунок 1 – Характеристики пропускания метана в SWIR-спектре и покрытие мультиспектральных миссий Sentinel-2
Многие мультиспектральные спутниковые миссии ограничены либо низкой частотой повторных посещений (например, ПРИЗМА Гиперспектральный примерно через 16 дней) или с низким пространственным разрешением (например, Страж 5 на 7.5 км х 7.5 км). Стоимость доступа к данным является дополнительной проблемой: некоторые специализированные группировки работают как коммерческие миссии, что потенциально делает информацию о выбросах CH4 менее доступной для исследователей, лиц, принимающих решения, и других заинтересованных сторон из-за финансовых ограничений. ЕКА Мультиспектральная миссия Sentinel-2, на котором основано это решение, обеспечивает соответствующий баланс между частотой повторных посещений (около 5 дней), пространственным разрешением (около 20 м) и открытым доступом (размещен на Реестр открытых данных AWS).
Sentinel-2 имеет два диапазона, охватывающие SWIR-спектр. (при разрешении 20 м): диапазон 11 (центральная длина волны 1610 нм) и диапазон 12 (центральная длина волны 2190 нм). Обе полосы подходят для обнаружения метана, тогда как полоса 12 имеет значительно более высокую чувствительность к поглощению CH4 (см. рисунок 1). Интуитивно понятно, что существует два возможных подхода к использованию данных SWIR-отражения для обнаружения метана. Во-первых, вы можете сосредоточиться только на одном SWIR-диапазоне (в идеале на том, который наиболее чувствителен к поглощению CH4) и вычислить попиксельную разницу в коэффициентах отражения при двух разных проходах спутника. В качестве альтернативы вы можете использовать данные одного прохода спутника для обнаружения, используя две соседние спектральные полосы SWIR, которые имеют схожие свойства отражения поверхности и аэрозоля, но имеют разные характеристики поглощения метана.
Метод обнаружения, который мы реализуем в этой статье, сочетает в себе оба подхода. Мы опираемся на последние результаты из литературы по наблюдению Земли и вычислить дробное изменение коэффициента отражения Δρ в верхней части атмосферы (TOA) (то есть коэффициента отражения, измеренного Sentinel-2, включая вклад атмосферных аэрозолей и газов) между двумя проходами спутников и двумя диапазонами SWIR; один проход по базовой линии, где метан отсутствует (базовый), и один проход по мониторингу, где подозревается наличие активного точечного источника метана (мониторинг). Математически это можно выразить следующим образом:
где ρ — коэффициент отражения TOA, измеренный Sentinel-2, cмонитор и сИспользование темпера с изогнутым основанием вычисляются путем регрессии значений коэффициента отражения TOA полосы 12 по сравнению со значениями отражательной способности полосы 11 по всей сцене (т. е. ρb11 = с * ρb12). Для получения более подробной информации обратитесь к этому исследованию на высокочастотный мониторинг точечных источников аномального метана с помощью мультиспектральных спутниковых наблюдений Sentinel-2.
Реализуйте алгоритм обнаружения метана с помощью геопространственных возможностей SageMaker.
Для реализации алгоритма обнаружения метана мы используем геопространственный блокнот SageMaker в Amazon SageMaker Studio. Ядро геопространственного блокнота предварительно оснащено необходимыми геопространственными библиотеками, такими как GDAL, Геопанды, стройный, рентгеновский снимоки Растерио, обеспечивающий прямую визуализацию и обработку геопространственных данных в среде блокнота Python. См. руководство по началу работы чтобы узнать, как начать использовать геопространственные возможности SageMaker.
SageMaker предоставляет специально созданный API предназначен для облегчения поиска спутниковых изображений через консолидированный интерфейс с использованием ПоискRasterDataCollection Вызов API. SearchRasterDataCollection
зависит от следующих входных параметров:
Arn
: Имя ресурса Amazon (ARN) запрошенной коллекции растровых данных.AreaOfInterest
: многоугольный объект (в формате GeoJSON), представляющий область интереса для поискового запроса.TimeRangeFilter
: Определяет интересующий временной диапазон, обозначаемый как{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Также могут быть включены дополнительные фильтры свойств, такие как спецификации максимально допустимой облачности.
Этот метод поддерживает запросы к различным источникам растровых данных, которые можно изучить, вызвав ListRasterDataCollections. Наша реализация обнаружения метана использует Спутниковые снимки Sentinel-2, на который можно ссылаться глобально, используя следующий ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Этот ARN представляет изображения Sentinel-2, обработанные до уровня 2A (отражательная способность поверхности, с атмосферной коррекцией). Для целей обнаружения метана мы будем использовать данные об отражательной способности верхней части атмосферы (TOA) (уровень 1C), которые не включают атмосферные поправки на уровне поверхности, которые сделали бы изменения в составе и плотности аэрозоля (то есть утечки метана) незамеченными. .
Чтобы идентифицировать потенциальные выбросы из конкретного точечного источника, нам нужны два входных параметра: координаты предполагаемого точечного источника и назначенная временная метка для мониторинга выбросов метана. Учитывая, что SearchRasterDataCollection
API использует многоугольники или мультиполигоны для определения области интереса (AOI). Наш подход предполагает сначала расширение координат точки в ограничивающую рамку, а затем использование этого многоугольника для запроса изображений Sentinel-2 с использованием SearchRasterDateCollection
.
В этом примере мы отслеживаем известную утечку метана, возникшую на нефтяном месторождении в Северной Африке. Это стандартный случай проверки в литературе по дистанционному зондированию, на который ссылаются, например, в этой изучать. Полностью исполняемый код предоставляется на Репозиторий GitHub amazon-sagemaker-examples. Здесь мы выделяем только избранные разделы кода, которые представляют собой ключевые строительные блоки для реализации решения по обнаружению метана с геопространственными возможностями SageMaker. Дополнительную информацию смотрите в репозитории.
Мы начнем с инициализации координат и целевой даты мониторинга для примера.
#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
Следующий фрагмент кода создает ограничивающую рамку для заданных координат точки, а затем выполняет поиск доступных изображений Sentinel-2 на основе ограничивающей рамки и указанной даты мониторинга:
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)
Ответ содержит список соответствующих элементов Sentinel-2 и соответствующие им метаданные. К ним относятся Оптимизированные для облака файлы GeoTIFF (COG) для всех Полосы Сентинел-2, так же как миниатюрами изображения для быстрого предварительного просмотра визуальных полос изображения. Естественно, также можно получить доступ к спутниковому изображению в полном разрешении (график RGB), показанному на рисунке 2 ниже.
Рисунок 2 – Спутниковое изображение (график RGB) ОИ
Как было подробно описано ранее, наш подход к обнаружению основан на дробных изменениях отражательной способности SWIR в верхней части атмосферы (TOA). Чтобы это работало, решающее значение имеет определение хорошей базовой линии. Поиск хорошей базовой линии может быстро стать утомительным процессом, требующим множества проб и ошибок. Однако хорошая эвристика может сыграть важную роль в автоматизации этого процесса поиска. Эвристика поиска, хорошо зарекомендовавшая себя для случаев, расследованных в прошлом, следующая: для прошлого day_offset=n
дней, получите все спутниковые снимки, удалите все облака и прикрепите изображение к области интереса. Затем вычислите среднюю отражательную способность полосы 12 по AOI. Возвращает идентификатор плитки Sentinel изображения с самым высоким средним коэффициентом отражения в полосе 12.
Эта логика реализована в следующем фрагменте кода. Его обоснование основано на том факте, что полоса 12 очень чувствительна к поглощению CH4 (см. Рисунок 1). Более высокое среднее значение отражательной способности соответствует меньшему поглощению из таких источников, как выбросы метана, и, следовательно, является убедительным признаком отсутствия выбросов в базовой ситуации.
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)
Использование этого метода позволяет нам приблизительно определить подходящую базовую дату и соответствующий идентификатор плитки Sentinel-2. Идентификаторы плиток Sentinel-2 несут информацию об идентификаторе миссии (Sentinel-2A/Sentinel-2B), уникальном номере плитки (например, 32SKA) и дате съемки изображения, а также другую информацию и однозначно идентифицируют наблюдение (т. е. , сцена). В нашем примере процесс аппроксимации предполагает 6 октября 2019 г. (плитка Sentinel-2: S2B_32SKA_20191006_0_L2A
), как наиболее подходящего базового кандидата.
Далее мы можем вычислить скорректированное дробное изменение отражательной способности между базовой датой и датой, которую мы хотим отслеживать. Поправочные коэффициенты c (см. предыдущее уравнение 1) можно рассчитать с помощью следующего кода:
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]
Полная реализация уравнения 1 представлена в следующем фрагменте кода:
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
Наконец, мы можем объединить вышеуказанные методы в сквозную процедуру, которая определяет угол обзора для заданной долготы и широты, дату мониторинга и базовую плитку, получает необходимые спутниковые изображения и выполняет вычисление дробного изменения коэффициента отражения.
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
Запуск этого метода с параметрами, которые мы определили ранее, дает дробное изменение отражательной способности SWIR TOA как xarray.DataArray. Мы можем выполнить первую визуальную проверку результата, запустив простую команду plot()
вызов этого массива данных. Наш метод показывает наличие шлейфа метана в центре AOI, который не был обнаружен на графике RGB, показанном ранее.
Рисунок 3 – Изменение дробного коэффициента отражения в коэффициенте отражения TOA (спектр SWIR)
На последнем этапе мы извлекаем идентифицированный шлейф метана и накладываем его на необработанное спутниковое изображение RGB, чтобы обеспечить важный географический контекст. Это достигается путем установления порога, который можно реализовать, как показано ниже:
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
В нашем случае порог дробного изменения отражательной способности -0.02 дает хорошие результаты, но он может меняться от сцены к сцене, и вам придется откалибровать его для вашего конкретного случая использования. На следующем рисунке показано, как наложение шлейфа создается путем объединения необработанного спутникового изображения АОИ с замаскированным шлейфом в одно составное изображение, которое показывает шлейф метана в его географическом контексте.
Рисунок 4 – Изображение RGB, частичное изменение коэффициента отражения в коэффициенте отражения TOA (спектр SWIR) и наложение шлейфа метана для AOI
Проверка решения на реальных событиях выбросов метана
На последнем этапе мы оцениваем наш метод на предмет его способности правильно обнаруживать и точно определять утечки метана из различных источников и географических регионов. Во-первых, мы используем эксперимент с контролируемым выделением метана, специально разработанный для валидация системы обнаружения точечных источников космического базирования и количественная оценка выбросов метана на суше. В этом эксперименте 2021 года исследователи провели несколько выбросов метана в Эренберге, штат Аризона, за 19-дневный период. Запуск нашего метода обнаружения для одного из проходов Sentinel-2 во время этого эксперимента дает следующий результат, показывающий шлейф метана:
Рисунок 5 – Интенсивность шлейфа метана в ходе эксперимента с контролируемыми выбросами в Аризоне
Шлейф, образующийся во время контролируемого выброса, четко идентифицируется нашим методом обнаружения. То же самое верно и для других известных реальных утечек (на рисунке 6 ниже) из таких источников, как свалка в Восточной Азии (слева) или нефтегазовый объект в Северной Америке (справа).
Рисунок 6 – Интенсивность шлейфа метана на свалке в Восточной Азии (слева) и нефтегазовом месторождении в Северной Америке (справа)
В целом, наш метод может помочь выявить выбросы метана как в результате контролируемых выбросов, так и из различных реальных точечных источников по всему миру. Это лучше всего работает для точечных источников на берегу с ограниченной окружающей растительностью. Это не работает для сцен на открытом воздухе из-за высокое поглощение (то есть низкий коэффициент пропускания) SWIR-спектра водой. Учитывая, что предлагаемый алгоритм обнаружения основан на изменениях интенсивности метана, наш метод также требует наблюдений перед утечкой. Это может затруднить мониторинг утечек при постоянных объемах выбросов.
Убирать
Чтобы избежать нежелательных расходов после завершения задания по мониторингу метана, обязательно закройте экземпляр SageMaker и удалите все ненужные локальные файлы.
Заключение
Объединив геопространственные возможности SageMaker с открытыми источниками геопространственных данных, вы можете реализовать свои собственные индивидуально настраиваемые решения для удаленного мониторинга в большом масштабе. Этот пост в блоге был посвящен обнаружению метана, что является приоритетной областью для правительств, неправительственных организаций и других организаций, стремящихся обнаружить и, в конечном итоге, избежать вредных выбросов метана. Вы можете начать свое собственное путешествие в геопространственную аналитику уже сегодня, запустив блокнот с геопространственным ядром SageMaker и внедрив собственное решение для обнаружения. См. Репозиторий GitHub чтобы начать создавать собственное спутниковое решение для обнаружения метана. Также ознакомьтесь с sagemaker-примеры репозиторий для дополнительных примеров и учебных пособий по использованию геопространственных возможностей SageMaker в других реальных приложениях дистанционного зондирования.
Об авторах
Доктор Карстен Шрёр является архитектором решений в AWS. Он поддерживает клиентов в использовании данных и технологий для обеспечения устойчивости их ИТ-инфраструктуры и создания облачных решений на основе данных, которые обеспечивают устойчивую работу в соответствующих вертикалях. Карстен присоединился к AWS после получения докторской степени в области прикладного машинного обучения и управления операциями. Он искренне увлечен технологическими решениями социальных проблем и любит глубоко погружаться в методы и архитектуры приложений, лежащие в основе этих решений.
Янош Вошиц — старший архитектор решений в AWS, специализирующийся на геопространственном искусственном интеллекте и машинном обучении. Имея более чем 15-летний опыт работы, он поддерживает клиентов по всему миру в использовании искусственного интеллекта и машинного обучения для создания инновационных решений, основанных на геопространственных данных. Его опыт охватывает машинное обучение, разработку данных и масштабируемые распределенные системы, а также обширный опыт разработки программного обеспечения и отраслевой опыт в таких сложных областях, как автономное вождение.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 100
- 11
- 12
- 15 лет
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- способность
- О нас
- выше
- ускорять
- ускоренный
- приемлемый
- доступ
- доступа
- достигнутый
- Приобретает
- через
- Действие
- активный
- дополнительный
- адекватно
- примыкающий
- доступной
- Африка
- После
- против
- AI
- AI / ML
- алгоритм
- одинаково
- Все
- позволяет
- причислены
- Amazon
- Создатель мудреца Амазонки
- Геопространственные данные Amazon SageMaker
- Студия Amazon SageMaker
- Amazon Web Services
- Америка
- среди
- an
- Анализ
- аналитика
- и
- животное
- любой
- API
- отношение
- Применение
- Приложения
- прикладной
- подхода
- подходы
- соответствующий
- приблизительный
- примерно
- МЫ
- ПЛОЩАДЬ
- Аризона
- около
- массив
- AS
- Азия
- азиатский
- At
- Атмосфера
- атмосферный
- дополненная
- Автоматизация
- автономный
- доступен
- в среднем
- избежать
- AWS
- фон
- Баланс
- ГРУППА
- Использование темпера с изогнутым основанием
- основанный
- Базовая линия
- BE
- становиться
- становление
- было
- ЛУЧШЕЕ
- между
- Блоки
- Блог
- изоферменты печени
- Коробка
- строить
- Строительство
- встроенный
- но
- by
- рассчитанный
- призывают
- CAN
- Может получить
- кандидат
- возможности
- капитализировать
- захватить
- нести
- случаев
- случаев
- Центр
- центральный
- определенный
- вызов
- проблемы
- сложные
- изменение
- изменения
- характеристика
- расходы
- проверка
- выбранный
- явно
- климат
- Изменение климата
- Закрыть
- облако
- Coal
- код
- кодовая база
- сочетание
- комбинаты
- комбинируя
- коммерческая
- Заполненная
- комплекс
- компонент
- композиция
- вычисление
- Вычисление
- Беспокойство
- обеспокоенный
- Конференция
- постоянная
- ограничения
- содержит
- контекст
- продолжать
- взносы
- контроль
- исправленный
- исправления
- правильно
- соответствующий
- соответствует
- Цена
- рентабельным
- может
- чехол для варгана
- охват
- критической
- решающее значение
- Текущий
- изготовленный на заказ
- Клиенты
- подгонянный
- данным
- управляемых данными
- Наборы данных
- Время
- Дата и время
- Дней
- решение
- преданный
- глубоко
- определять
- Определяет
- развертывание
- назначенный
- предназначенный
- желание
- подробность
- подробный
- подробнее
- обнаруживать
- обнаружение
- определены
- разница
- различный
- трудный
- направлять
- направление
- распоряжение
- распределенный
- распределенные системы
- погружение
- приносит
- не
- доменов
- рисовать
- рисование
- управлять
- вождение
- два
- в течение
- каждый
- Ранее
- земля
- легче
- восток
- Эффективный
- эффективно
- или
- излучение
- Выбросы
- включить
- позволяет
- впритык
- Проект и
- Инженеры
- обогащать
- обеспечивать
- Весь
- Окружающая среда
- равный
- ошибка
- ESA
- существенный
- Оценки
- EU
- оценивать
- пример
- Примеры
- расширяющийся
- дорогим
- опыт
- эксперимент
- опыта
- Эксплуатируемый
- Больше
- Разведанный
- выраженный
- извлечение
- добыча
- Глаза
- содействовал
- Объект
- факт
- факторы
- сельское хозяйство
- поле
- бороться
- фигура
- Файлы
- фильтры
- окончательный
- финансовый
- обнаружение
- результаты
- First
- фокальный
- Фокус
- внимание
- после
- следующим образом
- Что касается
- формат
- дробный
- Бесплатно
- частота
- от
- полный
- полностью
- функциональность
- далее
- будущее
- ГАЗ
- генерируется
- генерирует
- географический
- географии
- получить
- GitHub
- данный
- Глобальный
- ГЛОБАЛЬНО
- земной шар
- Go
- цель
- хорошо
- Правительства
- графика
- большой
- рука
- вредный
- Есть
- he
- помощь
- помогает
- здесь
- High
- Высокая частота
- высший
- наивысший
- Выделите
- очень
- его
- состоялся
- Как
- How To
- Однако
- HTML
- HTTPS
- ID
- Идеально
- Идентификация
- идентифицированный
- идентифицирует
- определения
- идентификаторы
- if
- иллюстрирует
- изображение
- изображений
- осуществлять
- реализация
- в XNUMX году
- Осуществляющий
- in
- В других
- включают
- включает в себя
- В том числе
- индикация
- промышленность
- информация
- Инфраструктура
- инновационный
- вход
- размышления
- пример
- инструменты
- интерактивный
- интерес
- Интерфейс
- в
- выпустили
- IT
- пункты
- ЕГО
- работа
- присоединился
- путешествие
- JPG
- всего
- Сохранить
- Основные
- известный
- l2
- большой
- крупномасштабный
- утечка
- Утечки
- УЧИТЬСЯ
- изучение
- наименее
- оставил
- Меньше
- уровень
- Используя
- библиотеки
- легкий
- такое как
- Ограниченный
- Список
- литература
- локальным
- логика
- Длинное
- любит
- Низкий
- ниже
- машина
- обучение с помощью машины
- основной
- сделать
- Makers
- Создание
- управление
- карта
- маска
- согласование
- математике
- математически
- максимальный
- значить
- смысл
- значимым
- Метаданные
- метан
- выбросы метана
- Утечка метана
- метод
- методы
- Горнодобывающая промышленность
- Наша миссия
- миссиях
- ML
- модель
- Модели
- монитор
- Мониторинг
- БОЛЕЕ
- самых
- с разными
- имя
- НАСА
- природа
- Необходимость
- НПО
- нет
- Ничто
- север
- Северная Америка
- ноутбук
- номер
- объект
- наблюдение
- октябрь
- Октябрь 6
- of
- .
- Масло
- Нефть и газ
- on
- ONE
- постоянный
- только
- открытый
- работать
- Операционный отдел
- or
- организации
- Возникнув
- Другое
- наши
- внешний
- за
- собственный
- панель
- параметры
- Стороны
- pass
- проходит
- страстный
- мимо
- процент
- Выполнять
- выполнены
- выполняет
- период
- кандидат наук
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Залог
- Много
- Точка
- политика
- Политики
- Polygon
- возможное
- После
- потенциал
- потенциально
- Predictions
- присутствие
- представить
- предварительный просмотр
- предыдущий
- предварительно
- процесс
- Обработанный
- обработка
- производит
- Продукт
- свойства
- собственность
- предложило
- обеспечивать
- при условии
- приводит
- целей
- Питон
- квантование
- САЙТ
- быстро
- ассортимент
- быстро
- Обменный курс
- Стоимость
- обоснование
- Сырье
- достигать
- легко
- реальный мир
- снижение
- относиться
- ссылка
- область
- реестра
- освободить
- публикации
- полагаться
- удаленные
- удаление
- хранилище
- представлять
- представляющий
- представляет
- обязательный
- требуется
- исследователи
- Постановления
- ресурс
- ресурсоемкий
- те
- ответ
- ответственный
- результат
- Итоги
- возвращают
- Показывает
- RGB
- правую
- рутина
- Бег
- s
- sagemaker
- то же
- спутник
- Спутники
- масштабируемые
- Шкала
- сцена
- Сцены
- Ученые
- сфера
- Поиск
- разделах
- посмотреть
- поиск
- видел
- выбранный
- старший
- чувствительный
- чувствительность
- Услуги
- несколько
- Короткое
- показывать
- показанный
- Шоу
- существенно
- аналогичный
- просто
- одинарной
- Сайтов
- отрывок
- социальный
- Software
- разработка программного обеспечения
- Решение
- Решения
- некоторые
- Источник
- Источники
- космический
- пролеты
- пространственный
- специализация
- конкретный
- конкретно
- спецификации
- указанный
- Спектральный
- Спектр
- квадраты
- заинтересованных сторон
- стандарт
- Начало
- и политические лидеры
- Шаг
- Забастовки
- сильный
- исследования
- студия
- Кабинет
- такие
- Предлагает
- подходящее
- Поддержка
- Поверхность
- окружающих
- Стабильность
- комфортного
- системы
- взять
- приняты
- цель
- Технический
- Технологии
- который
- Ассоциация
- их
- Их
- тогда
- Там.
- следовательно
- Эти
- они
- этой
- те
- порог
- Через
- время
- кропотливый
- раз
- отметка времени
- в
- Тоа
- сегодня
- инструменты
- Train
- Transform
- суд
- правда
- по-настоящему
- учебные пособия
- два
- типично
- нам
- В конечном счете
- лежать в основе
- созданного
- общественного.
- нежелательный
- us
- использование
- прецедент
- использования
- через
- Проверка
- ценностное
- Наши ценности
- разнообразие
- различный
- вертикалей
- видимый
- визуализация
- законопроект
- Снизить отходы
- Путь..
- we
- Web
- веб-сервисы
- ЧТО Ж
- который
- в то время как
- будете
- в
- Работа
- работавший
- работает
- бы
- заворачивать
- X
- лет
- доходность
- Ты
- ВАШЕ
- зефирнет