Metan (CH4) je glavni antropogeni toplogredni plin, ki je med drugim stranski produkt pridobivanja nafte in plina, premogovništva, obsežne živinoreje in odlaganja odpadkov. Potencial globalnega segrevanja CH4 je 86-krat večji od CO2 in Medvladni odbor za podnebne spremembe (IPCC) ocenjuje, da metan je odgovoren za 30 odstotkov doslej opaženega globalnega segrevanja. Hitro zmanjšanje uhajanja CH4 v ozračje predstavlja kritično komponento v boju proti podnebnim spremembam. Leta 2021 so ZN uvedli Globalna zaveza metanu na konferenci o podnebnih spremembah (COP26), s ciljem sprejeti "hitro ukrepanje glede metana, da bi dosegli prihodnost 1.5C." The Pledge ima 150 podpisnikov vključno z ZDA in EU.
Zgodnje odkrivanje in stalno spremljanje virov metana je ključna sestavina smiselnega ukrepanja v zvezi z metanom in zato postaja skrb oblikovalcev politik in organizacij. Implementacija cenovno dostopnih in učinkovitih rešitev za odkrivanje metana v velikem obsegu – kot so detektorji metana na kraju samem ali letalski spektrometri – je izziv, saj so pogosto nepraktični ali prehibo dragi. Po drugi strani pa lahko daljinsko zaznavanje z uporabo satelitov zagotovi globalno, visokofrekvenčno in stroškovno učinkovito funkcijo zaznavanja, ki si jo želijo zainteresirane strani.
V tej objavi v spletnem dnevniku vam pokažemo, kako lahko uporabite Satelitski posnetki Sentinel 2 gostujejo v registru odprtih podatkov AWS v kombinaciji z Geoprostorske zmogljivosti Amazon SageMaker za odkrivanje točkovnih virov emisij CH4 in njihovo časovno spremljanje. Risanje na najnovejše ugotovitve iz literature o opazovanju zemlje izvedeli boste, kako lahko implementirate algoritem za zaznavanje metana po meri in ga uporabite za odkrivanje in spremljanje uhajanja metana z različnih lokacij po vsem svetu. Ta objava vključuje spremno kodo na GitHubu ki zagotavlja dodatne tehnične podrobnosti in vam pomaga začeti z lastno rešitvijo za spremljanje metana.
Tradicionalno je bilo izvajanje kompleksnih geoprostorskih analiz težko, dolgotrajno in z viri intenzivno podjetje. Geoprostorske zmogljivosti Amazon SageMaker znanstvenikom za podatke in inženirjem strojnega učenja olajša gradnjo, usposabljanje in uvajanje modelov z uporabo geoprostorskih podatkov. Z uporabo geoprostorskih zmogljivosti SageMaker lahko učinkovito preoblikujete ali obogatite obsežne geoprostorske podatkovne nize, pospešite gradnjo modela z vnaprej usposobljenimi modeli strojnega učenja (ML) ter raziskujete modelske napovedi in geoprostorske podatke na interaktivnem zemljevidu z uporabo 3D pospešene grafike in vgrajenih orodja za vizualizacijo.
Daljinsko zaznavanje točkovnih virov metana z multispektralnimi satelitskimi posnetki
Pristopi satelitskega zaznavanja metana se običajno opirajo na edinstvene značilnosti prepustnosti CH4. V vidnem spektru ima CH4 vrednosti prepustnosti enake ali blizu 1, kar pomeni, da ga s prostim očesom ni mogoče zaznati. Pri določenih valovnih dolžinah pa metan absorbira svetlobo (prepustnost <1), kar je lastnost, ki jo je mogoče izkoristiti za namene odkrivanja. Za to je običajno izbran infrardeči spekter kratke valovne dolžine (SWIR) (1500–2500 nm spektralno območje), kjer je CH4 najbolj zaznaven. Hiper- in večspektralne satelitske misije (to so tiste z optičnimi instrumenti, ki zajemajo slikovne podatke znotraj več razponov valovnih dolžin (pasov) po elektromagnetnem spektru) pokrivajo ta območja SWIR in zato predstavljajo potencialne instrumente za odkrivanje. Slika 1 prikazuje značilnosti prepustnosti metana v spektru SWIR in pokritost SWIR različnih kandidatov za multispektralne satelitske instrumente (prilagojeno iz ta študij).
Slika 1 – Značilnosti prepustnosti metana v spektru SWIR in pokritost večspektralnih misij Sentinel-2
Številne multispektralne satelitske misije so omejene z nizko pogostostjo ponovnega obiska (npr. PRISMA Hyperspectral pri približno 16 dneh) ali z nizko prostorsko ločljivostjo (npr. Stražar 5 na 7.5 km x 7.5 km). Stroški dostopa do podatkov so dodaten izziv: nekatere namenske konstelacije delujejo kot komercialne misije, zaradi česar so lahko vpogledi v emisije CH4 zaradi finančnih omejitev manj dostopni raziskovalcem, nosilcem odločanja in drugim zadevnim stranem. ESA Multispektralna misija Sentinel-2, na katerem temelji ta rešitev, vzpostavlja ustrezno ravnovesje med stopnjo ponovnega obiska (približno 5 dni), prostorsko ločljivostjo (približno 20 m) in odprtim dostopom (gostuje na Register odprtih podatkov AWS).
Sentinel-2 ima dva pasova, ki pokrivata spekter SWIR (pri ločljivosti 20 m): band-11 (1610 nm centralna valovna dolžina) in band-12 (2190 nm centralna valovna dolžina). Oba pasova sta primerna za detekcijo metana, medtem ko ima pas-12 znatno večjo občutljivost na absorpcijo CH4 (glej sliko 1). Intuitivno obstajata dva možna pristopa za uporabo teh podatkov o odbojnosti SWIR za odkrivanje metana. Najprej bi se lahko osredotočili samo na en pas SWIR (v idealnem primeru na tistega, ki je najbolj občutljiv na absorpcijo CH4) in izračunali slikovno piko v odbojnosti med dvema različnima satelitskima prehodoma. Druga možnost je, da za zaznavanje uporabite podatke iz enega samega prehoda satelita z uporabo dveh sosednjih spektralnih pasov SWIR, ki imata podobne lastnosti odbojnosti površine in aerosola, vendar imata različne značilnosti absorpcije metana.
Metoda odkrivanja, ki jo izvajamo v tej objavi v spletnem dnevniku, združuje oba pristopa. Črpamo naprej najnovejše ugotovitve iz literature o opazovanju zemlje in izračunajte delno spremembo odbojnosti vrha atmosfere (TOA) Δρ (to je odbojnost, izmerjeno s Sentinel-2, vključno s prispevki atmosferskih aerosolov in plinov) med dvema prehodoma satelita in obema pasovoma SWIR; en prehod po osnovni liniji, kjer ni metana (baza), in en prehod za spremljanje, kjer obstaja sum aktivnega točkovnega vira metana (monitor). Matematično je to mogoče izraziti na naslednji način:
kjer je ρ odbojnost TOA, izmerjena s Sentinel-2, cmonitor in cbaza se izračunajo z regresijo vrednosti odbojnosti TOA pasu 12 proti tistim pasu 11 po celotnem prizoru (to je ρb11 = c * ρb12). Za več podrobnosti glejte to študijo na visokofrekvenčno spremljanje anomalnih točkovnih virov metana z multispektralnimi satelitskimi opazovanji Sentinel-2.
Izvedite algoritem za zaznavanje metana z geoprostorskimi zmogljivostmi SageMaker
Za implementacijo algoritma za zaznavanje metana uporabljamo geoprostorski prenosni računalnik SageMaker znotraj Amazon SageMaker Studio. Jedro geoprostorskega prenosnika je vnaprej opremljeno z bistvenimi geoprostorskimi knjižnicami, kot je npr GDAL, GeoPande, Točno, xarrayin Rasterio, ki omogoča neposredno vizualizacijo in obdelavo geoprostorskih podatkov v okolju prenosnika Python. Glej vodnik za začetek če želite izvedeti, kako začeti uporabljati geoprostorske zmogljivosti SageMaker.
SageMaker zagotavlja namensko izdelano API zasnovan za olajšanje pridobivanja satelitskih posnetkov prek konsolidiranega vmesnika z uporabo SearchRasterDataCollection Klic API. SearchRasterDataCollection
temelji na naslednjih vhodnih parametrih:
Arn
: Ime vira Amazon (ARN) zbirke rastrskih podatkov, za katero je bila poizvedbaAreaOfInterest
: Poligonski objekt (v formatu GeoJSON), ki predstavlja regijo, ki vas zanima za iskalno poizvedboTimeRangeFilter
: Določa časovno območje zanimanja, označeno kot{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Vključiti je mogoče tudi dodatne filtre lastnosti, kot so specifikacije za največjo sprejemljivo oblačnost
Ta metoda podpira poizvedovanje iz različnih virov rastrskih podatkov, ki jih je mogoče raziskati s klicanjem ListRasterDataCollections. Naša implementacija zaznavanja metana uporablja Satelitski posnetki Sentinel-2, na katerega se je mogoče globalno sklicevati z naslednjim ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Ta ARN predstavlja posnetke Sentinel-2, ki so bili obdelani na raven 2A (površinski odboj, atmosfersko popravljen). Za namene odkrivanja metana bomo uporabili podatke o odbojnosti zgornje meje atmosfere (TOA) (nivo 1C), ki ne vključujejo atmosferskih popravkov na ravni površine, zaradi katerih bi bile spremembe v sestavi in gostoti aerosolov (tj. uhajanja metana) nezaznavne. .
Za identifikacijo potencialnih emisij iz določenega točkovnega vira potrebujemo dva vhodna parametra: koordinate domnevnega točkovnega vira in določen časovni žig za spremljanje emisij metana. Glede na to, da je SearchRasterDataCollection
API uporablja poligone ali več poligonov za definiranje območja zanimanja (AOI), naš pristop vključuje najprej razširitev koordinat točke v omejevalni okvir in nato uporabo tega poligona za poizvedovanje po posnetkih Sentinel-2 z uporabo SearchRasterDateCollection
.
V tem primeru spremljamo znano uhajanje metana, ki izvira iz naftnega polja v severni Afriki. To je standardni primer validacije v literaturi o daljinskem zaznavanju in je naveden na primer v ta študija. Popolnoma izvršljiva koda je na voljo na amazon-sagemaker-primeri skladišče GitHub. Tukaj izpostavljamo samo izbrane odseke kode, ki predstavljajo ključne gradnike za implementacijo rešitve za zaznavanje metana z geoprostorskimi zmogljivostmi SageMaker. Za dodatne podrobnosti si oglejte repozitorij.
Začnemo z inicializacijo koordinat in ciljnega datuma spremljanja za primer primera.
#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
Naslednji delček kode ustvari omejevalni okvir za dane koordinate točke in nato izvede iskanje razpoložljivih posnetkov Sentinel-2 na podlagi omejevalnega okvirja in podanega datuma spremljanja:
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)
Odgovor vsebuje seznam ujemajočih se elementov Sentinel-2 in njihove ustrezne metapodatke. Tej vključujejo GeoTIFF-i, optimizirani za oblak (COG) za vse Pasovi Sentinel-2, Pa tudi thumbnail slike za hiter predogled vizualnih pasov slike. Seveda je možen tudi dostop do satelitske slike polne ločljivosti (RGB izris), prikazane na sliki 2, ki sledi.
Slika 2 – Satelitska slika (RGB izris) AOI
Kot je bilo že opisano, se naš pristop zaznavanja opira na delne spremembe odbojnosti SWIR na vrhu atmosfere (TOA). Da bi to delovalo, je ključnega pomena določitev dobrega izhodišča. Iskanje dobrega izhodišča lahko hitro postane dolgočasen proces, ki vključuje veliko poskusov in napak. Vendar lahko dobra hevristika veliko pripomore k avtomatizaciji tega postopka iskanja. Iskalna hevristika, ki se je dobro obnesla za primere, preiskane v preteklosti, je naslednja: za preteklost day_offset=n
dni, pridobite vse satelitske posnetke, odstranite morebitne oblake in posnemite sliko na AOI v obsegu. Nato izračunajte povprečno odbojnost pasu 12 čez AOI. Vrni ID ploščice Sentinel slike z najvišjo povprečno refleksijo v pasu-12.
Ta logika je implementirana v naslednjem odlomku kode. Njegova utemeljitev temelji na dejstvu, da je pas-12 zelo občutljiv na absorpcijo CH4 (glej sliko 1). Večja povprečna vrednost odbojnosti ustreza nižji absorpciji iz virov, kot so emisije metana, in zato zagotavlja močan znak za osnovno sceno brez emisij.
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)
Uporaba te metode nam omogoča približek ustreznega izhodiščnega datuma in ustrezne ID ploščice Sentinel-2. ID-ji ploščic Sentinel-2 vsebujejo informacije o ID-ju misije (Sentinel-2A/Sentinel-2B), edinstveni številki ploščice (kot je 32SKA) in datumu, ko je bila slika posneta, med drugimi informacijami ter enolično identificirajo opazovanje (tj. , prizor). V našem primeru postopek približevanja predlaga 6. oktober 2019 (ploščica Sentinel-2: S2B_32SKA_20191006_0_L2A
), kot najprimernejši osnovni kandidat.
Nato lahko izračunamo popravljeno delno spremembo odbojnosti med osnovnim datumom in datumom, ki ga želimo spremljati. Korekcijske faktorje c (glejte prejšnjo enačbo 1) je mogoče izračunati z naslednjo kodo:
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]
Celotna izvedba enačbe 1 je podana v naslednjem delčku kode:
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
Končno lahko zgornje metode zavijemo v rutino od konca do konca, ki identificira AOI za dano zemljepisno dolžino in širino, datum spremljanja in ploščico osnovne črte, pridobi zahtevane satelitske posnetke in izvede izračun spremembe delne odbojnosti.
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
Izvajanje te metode s parametri, ki smo jih določili prej, daje delno spremembo odbojnosti SWIR TOA kot xarray.DataArray. Prvi vizualni pregled rezultata lahko izvedemo z zagonom preprostega plot()
priklic tega podatkovnega polja. Naša metoda razkriva prisotnost oblaka metana v središču AOI, ki ga ni bilo mogoče zaznati na grafu RGB, ki smo ga videli prej.
Slika 3 – Sprememba delne odbojnosti v odbojnosti TOA (spekter SWIR)
Kot zadnji korak ekstrahiramo identificirani oblak metana in ga prekrijemo na neobdelani satelitski sliki RGB, da zagotovimo pomemben geografski kontekst. To se doseže s pragom, ki ga je mogoče izvesti, kot je prikazano v naslednjem:
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
V našem primeru prag -0.02 delne spremembe odbojnosti daje dobre rezultate, vendar se to lahko spreminja od prizora do prizora in to boste morali umeriti za svoj specifični primer uporabe. Slika 4, ki sledi, ponazarja, kako se prekrivanje oblaka ustvari s kombiniranjem neobdelane satelitske slike AOI z zamaskiranim oblakom v eno samo sestavljeno sliko, ki prikazuje oblak metana v njegovem geografskem kontekstu.
Slika 4 – Slika RGB, delna sprememba odbojnosti v odbojnosti TOA (spekter SWIR) in prekrivanje oblaka metana za AOI
Validacija rešitve z dogodki emisij metana v resničnem svetu
Kot zadnji korak ocenimo našo metodo glede njene zmožnosti pravilnega odkrivanja in natančnega določanja uhajanja metana iz različnih virov in geografskih območij. Najprej uporabimo eksperiment z nadzorovanim sproščanjem metana, posebej zasnovan za validacija vesoljskega odkrivanja točkovnega vira in kvantifikacija emisij metana na kopnem. V tem poskusu leta 2021 so raziskovalci izvedli več izpustov metana v Ehrenbergu v Arizoni v 19-dnevnem obdobju. Izvajanje naše metode zaznavanja za enega od prehodov Sentinela-2 v času tega poskusa daje naslednji rezultat, ki prikazuje oblak metana:
Slika 5 – Intenzivnost oblaka metana za poskus nadzorovanega izpusta v Arizoni
Oblak, ki nastane med nadzorovanim sproščanjem, je jasno identificiran z našo metodo zaznavanja. Enako velja za druga znana uhajanja iz resničnega sveta (na sliki 6, ki sledi) iz virov, kot je odlagališče v vzhodni Aziji (levo) ali obrat za nafto in plin v Severni Ameriki (desno).
Slika 6 – Intenzivnost oblaka metana za vzhodnoazijsko odlagališče (levo) ter naftno in plinsko polje v Severni Ameriki (desno)
Če povzamemo, lahko naša metoda pomaga prepoznati emisije metana tako iz nadzorovanih izpustov kot iz različnih dejanskih točkovnih virov po vsem svetu. To najbolje deluje pri točkovnih virih na kopnem z omejeno okoliško vegetacijo. Ne deluje za off-shore prizore zaradi visoka absorpcija (to je nizka prepustnost) spektra SWIR z vodo. Glede na to, da predlagani algoritem zaznavanja temelji na variacijah intenzivnosti metana, zahteva naša metoda tudi opazovanja pred uhajanjem. Zaradi tega je lahko spremljanje uhajanja s stalnimi stopnjami emisij izziv.
Čiščenje
Da bi se izognili neželenim stroškom po končanem opravilu spremljanja metana, zagotovite, da zaključite primerek SageMaker in izbrišete vse neželene lokalne datoteke.
zaključek
Z združevanjem geoprostorskih zmogljivosti SageMaker z odprtimi viri geoprostorskih podatkov lahko implementirate lastne zelo prilagojene rešitve za daljinsko spremljanje v velikem obsegu. Ta objava v spletnem dnevniku se je osredotočila na odkrivanje metana, osrednje področje za vlade, nevladne organizacije in druge organizacije, ki želijo zaznati škodljive emisije metana in se jim na koncu izogniti. Že danes lahko začnete svojo lastno pot v geoprostorsko analitiko, tako da zavrtite prenosni računalnik z geoprostorskim jedrom SageMaker in uvedete svojo lastno rešitev za zaznavanje. Glej GitHub repozitorij da začnete graditi lastno satelitsko rešitev za zaznavanje metana. Preverite tudi sagemaker-primeri repozitorij za nadaljnje primere in vadnice o uporabi geoprostorskih zmogljivosti SageMaker v drugih realnih aplikacijah za daljinsko zaznavanje.
O avtorjih
Karsten Schroer je arhitekt rešitev pri AWS. Podpira stranke pri izkoriščanju podatkov in tehnologije za spodbujanje trajnosti njihove IT infrastrukture in gradnjo podatkovno usmerjenih rešitev v oblaku, ki omogočajo trajnostno delovanje v njihovih zadevnih vertikalah. Karsten se je AWS pridružil po doktorskem študiju uporabnega strojnega učenja in upravljanja operacij. Resnično je navdušen nad tehnološko podprtimi rešitvami za družbene izzive in rad se poglobi v metode in arhitekture aplikacij, ki so podlaga za te rešitve.
Janosch Woschitz je višji arhitekt rešitev pri AWS, specializiran za geoprostorsko umetno inteligenco/ML. Z več kot 15-letnimi izkušnjami podpira stranke po vsem svetu pri izkoriščanju AI in ML za inovativne rešitve, ki izkoriščajo geoprostorske podatke. Njegovo strokovno znanje obsega strojno učenje, podatkovno inženirstvo in razširljive porazdeljene sisteme, dopolnjeno z močnim ozadjem programskega inženiringa in industrijskim strokovnim znanjem na kompleksnih področjih, kot je avtonomna vožnja.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 100
- 11
- 12
- 15 let
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- sposobnost
- O meni
- nad
- pospeši
- pospešeno
- sprejemljiv
- dostop
- Dostop
- doseže
- Pridobiva
- čez
- Ukrep
- aktivna
- Dodatne
- ustrezno
- sosednji
- cenovno
- Afrika
- po
- proti
- AI
- AI / ML
- algoritem
- podobno
- vsi
- omogoča
- Prav tako
- Amazon
- Amazon SageMaker
- Geoprostorski Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- Amerika
- med
- an
- Analize
- analitika
- in
- živali
- kaj
- API
- primerno
- uporaba
- aplikacije
- uporabna
- pristop
- pristopi
- primerno
- približno
- približno
- SE
- OBMOČJE
- Arizona
- okoli
- Array
- AS
- asia
- asian
- At
- atmosfera
- atmosferski
- Povečana
- avtomatizacija
- avtonomno
- Na voljo
- povprečno
- izogniti
- AWS
- ozadje
- Ravnovesje
- bend
- baza
- temeljijo
- Izhodišče
- BE
- postanejo
- postajajo
- bilo
- BEST
- med
- Bloki
- Blog
- tako
- Pasovi
- izgradnjo
- Building
- vgrajeno
- vendar
- by
- izračuna
- klic
- CAN
- Lahko dobiš
- Kandidat
- Zmogljivosti
- kapitalizirati
- zajemanje
- opravlja
- primeru
- primeri
- center
- Osrednji
- nekatere
- izziv
- izzivi
- izziv
- spremenite
- Spremembe
- lastnosti
- Stroški
- preveriti
- izbran
- jasno
- Podnebne
- Sprememba podnebja
- Zapri
- Cloud
- Premog
- Koda
- baza kod
- kombinacija
- združuje
- združevanje
- komercialna
- Končana
- kompleksna
- komponenta
- sestava
- računanje
- Izračunajte
- Skrb
- zaskrbljen
- Konferenca
- stalna
- omejitve
- Vsebuje
- ozadje
- naprej
- prispevkov
- nadzorom
- popravljen
- Popravki
- pravilno
- Ustrezno
- ustreza
- strošek
- stroškovno učinkovito
- bi
- pokrov
- pokritost
- kritično
- ključnega pomena
- Trenutna
- po meri
- Stranke, ki so
- meri
- datum
- Podatkov usmerjenih
- nabor podatkov
- Datum
- Datum čas
- Dnevi
- Odločitev
- namenjen
- globoko
- opredeliti
- Določa
- razporedi
- imenovani
- zasnovan
- Želja
- Podatki
- podrobno
- Podrobnosti
- odkrivanje
- Odkrivanje
- določi
- Razlika
- drugačen
- težko
- neposredna
- smer
- odstranjevanje
- porazdeljena
- porazdeljeni sistemi
- potop
- ne
- Ne
- domen
- pripravi
- risanje
- pogon
- vožnjo
- 2
- med
- vsak
- prej
- Zemlja
- lažje
- East
- Učinkovito
- učinkovito
- bodisi
- emisij
- Emisije
- omogočajo
- omogočanje
- konec koncev
- Inženiring
- Inženirji
- obogatiti
- zagotovitev
- Celotna
- okolje
- enako
- Napaka
- ESA
- bistvena
- ocene
- EU
- oceniti
- Primer
- Primeri
- širi
- drago
- izkušnje
- poskus
- strokovno znanje
- Exploited
- raziskuje
- Raziskano
- izražena
- ekstrakt
- pridobivanje
- oči
- olajšati
- Sklad
- Dejstvo
- dejavniki
- kmetovanje
- Polje
- boj
- Slika
- datoteke
- Filtri
- končna
- finančna
- iskanje
- Ugotovitve
- prva
- osrednja
- Osredotočite
- osredotočena
- po
- sledi
- za
- format
- delno
- brezplačno
- frekvenca
- iz
- polno
- v celoti
- funkcionalnost
- nadalje
- Prihodnost
- GAS
- ustvarila
- ustvarja
- geografsko
- geografije
- dobili
- GitHub
- dana
- Globalno
- Globalno
- globus
- Go
- Cilj
- dobro
- Vlade
- grafika
- več
- strani
- škodljiva
- Imajo
- he
- pomoč
- Pomaga
- tukaj
- visoka
- Visoka frekvenca
- več
- najvišja
- Označite
- zelo
- njegov
- gostila
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- ID
- idealno
- Identifikacija
- identificirati
- identificira
- identificirati
- ID-ji
- if
- ponazarja
- slika
- slike
- izvajati
- Izvajanje
- izvajali
- izvajanja
- in
- V drugi
- vključujejo
- vključuje
- Vključno
- indikacija
- Industrija
- Podatki
- Infrastruktura
- inovativne
- vhod
- vpogledi
- primer
- instrumenti
- interaktivno
- obresti
- vmesnik
- v
- Uvedeno
- IT
- Izdelkov
- ITS
- Job
- pridružil
- Potovanje
- jpg
- samo
- Imejte
- Ključne
- znano
- l2
- velika
- obsežne
- uhajanje
- puščanje
- UČITE
- učenje
- vsaj
- levo
- manj
- Stopnja
- vzvod
- knjižnice
- light
- kot
- Limited
- Seznam
- literatura
- lokalna
- Logika
- Long
- ljubi
- nizka
- nižje
- stroj
- strojno učenje
- velika
- Znamka
- Ustvarjalci
- Izdelava
- upravljanje
- map
- Maska
- ujemanje
- math
- matematično
- največja
- pomeni
- kar pomeni,
- smiselna
- metapodatki
- metan
- emisije metana
- Puščanje metana
- Metoda
- Metode
- Rudarstvo
- Mission
- misije
- ML
- Model
- modeli
- monitor
- spremljanje
- več
- Najbolj
- več
- Ime
- Nasa
- Narava
- Nimate
- Nevladne organizacije
- št
- Noben
- sever
- North America
- prenosnik
- Številka
- predmet
- Opazovanje
- oktober
- oktober 6
- of
- pogosto
- Olje
- Nafta in plin
- on
- ONE
- v teku
- samo
- odprite
- deluje
- operacije
- or
- organizacije
- s poreklom
- Ostalo
- naši
- ven
- več
- lastne
- plošča
- parametri
- Stranke
- mimo
- vozovnice
- strastno
- preteklosti
- odstotkov
- Izvedite
- opravljeno
- opravlja
- Obdobje
- Dr.
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Obljuba
- Veliko
- Točka
- politika
- Oblikovalci politik
- poligon
- mogoče
- Prispevek
- potencial
- potencialno
- Napovedi
- Prisotnost
- predstaviti
- predogled
- prejšnja
- prej
- Postopek
- Predelano
- obravnavati
- proizvaja
- Izdelek
- Lastnosti
- nepremičnine
- predlagano
- zagotavljajo
- če
- zagotavlja
- namene
- Python
- količinsko opredelitev
- Hitri
- hitro
- območje
- hitro
- Oceniti
- Cene
- utemeljitev
- Surovi
- dosežejo
- zlahka
- resnični svet
- zmanjšanje
- glejte
- reference
- okolica
- registra
- sprostitev
- Izpusti
- zanašajo
- daljinsko
- odstrani
- Skladišče
- predstavljajo
- predstavlja
- predstavlja
- obvezna
- zahteva
- raziskovalci
- Resolucija
- vir
- virov intenzivno
- tisti,
- Odgovor
- odgovorna
- povzroči
- Rezultati
- vrnitev
- Razkrije
- RGB
- Pravica
- rutinsko
- tek
- s
- sagemaker
- Enako
- satelit
- satelitov
- razširljive
- Lestvica
- Prizor
- prizori
- Znanstveniki
- Obseg
- Iskalnik
- oddelki
- glej
- iskanju
- videl
- izbran
- višji
- občutljiva
- občutljivost
- Storitve
- več
- Kratke Hlače
- Prikaži
- pokazale
- Razstave
- bistveno
- Podoben
- Enostavno
- sam
- Spletna mesta
- delček
- družbeni
- Software
- inženiring programske opreme
- Rešitev
- rešitve
- nekaj
- vir
- Viri
- vesoljsko
- razponi
- prostorsko
- specializacijo
- specifična
- posebej
- specifikacije
- določeno
- Spektralno
- Spectrum
- kvadratov
- interesne skupine
- standardna
- Začetek
- začel
- Korak
- Stavke
- močna
- Študije
- studio
- študija
- taka
- Predlaga
- primerna
- Podpira
- Površina
- Okolica
- Trajnostni razvoj
- trajnostno
- sistemi
- Bodite
- sprejeti
- ciljna
- tehnični
- Tehnologija
- da
- O
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- ta
- tisti,
- Prag
- skozi
- čas
- zamudno
- krat
- Časovni žig
- do
- Toa
- danes
- orodja
- Vlak
- Transform
- sojenje
- Res
- resnično
- vaje
- dva
- tipično
- nas
- Konec koncev
- Podlaga
- edinstven
- edinstveno
- nezaželen
- us
- uporaba
- primeru uporabe
- uporablja
- uporabo
- potrjevanje
- vrednost
- Vrednote
- raznolikost
- različnih
- vertikale
- vidna
- vizualizacija
- je
- Odpadki
- način..
- we
- web
- spletne storitve
- Dobro
- ki
- medtem
- bo
- z
- v
- delo
- delal
- deluje
- bi
- zaviti
- X
- let
- donosov
- Vi
- Vaša rutina za
- zefirnet