Metan (CH4), diğer kaynakların yanı sıra petrol ve gaz çıkarma, kömür madenciliği, büyük ölçekli hayvancılık ve atık imhasının yan ürünü olan önemli bir antropojenik sera gazıdır. Küresel ısınma potansiyeli CH4, CO86'nin 2 katıdır ve Hükümetlerarası İklim Değişikliği Paneli (IPCC) şunu tahmin ediyor: Bugüne kadar gözlemlenen küresel ısınmanın yüzde 30'undan metan sorumludur. Atmosfere CH4 sızıntısının hızla azaltılması, iklim değişikliğiyle mücadelede kritik bir bileşeni temsil ediyor. BM 2021'de tanıttı Küresel Metan Taahhüdü İklim Değişikliği Konferansında (COP26), "1.5C geleceğini ulaşılabilir tutmak için metan konusunda hızlı harekete geçme" hedefiyle. Taahhüt var 150 imzalayanlar ABD ve AB dahil.
Metan kaynaklarının erken tespiti ve sürekli izlenmesi, metanla ilgili anlamlı eylemin temel bileşenidir ve bu nedenle hem politika yapıcılar hem de kuruluşlar için endişe kaynağı haline gelmektedir. Uygun fiyatlı, etkili metan tespit çözümlerinin uygun ölçekte uygulanması (örneğin yerinde metan dedektörleri veya uçağa monte spektrometreler – genellikle pratik olmadığından veya aşırı derecede pahalı olduğundan zordur. Öte yandan uyduları kullanan uzaktan algılama, paydaşların arzuladığı küresel ölçekte, yüksek frekanslı ve uygun maliyetli algılama işlevselliğini sağlayabilir.
Bu blog yazısında size nasıl kullanabileceğinizi gösteriyoruz AWS Açık Veri Kayıt Defteri'nde barındırılan Sentinel 2 uydu görüntüleri ile bütünlüğünde Amazon SageMaker jeo-uzamsal yetenekleri CH4 emisyonlarının nokta kaynaklarını tespit etmek ve bunları zaman içinde izlemek. Üstüne çizmek yer gözlem literatüründen son bulgular özel bir metan tespit algoritmasını nasıl uygulayabileceğinizi ve bunu dünya çapında çeşitli bölgelerden metan sızıntısını tespit etmek ve izlemek için nasıl kullanabileceğinizi öğreneceksiniz. Bu yazı şunları içerir: GitHub'a eşlik eden kod Bu, ek teknik ayrıntı sağlar ve kendi metan izleme çözümünüzü kullanmaya başlamanıza yardımcı olur.
Geleneksel olarak, karmaşık coğrafi analizleri yürütmek zor, zaman alıcı ve kaynak yoğun bir girişimdi. Amazon SageMaker jeo-uzamsal yetenekleri Veri bilimcilerin ve makine öğrenimi mühendislerinin coğrafi verileri kullanarak modeller oluşturmasını, eğitmesini ve dağıtmasını kolaylaştırın. SageMaker'ın jeo-uzamsal yeteneklerini kullanarak, büyük ölçekli coğrafi-uzamsal veri kümelerini verimli bir şekilde dönüştürebilir veya zenginleştirebilir, önceden eğitilmiş makine öğrenimi (ML) modelleriyle model oluşturmayı hızlandırabilir ve 3D hızlandırılmış grafikler ve yerleşik özellikleri kullanarak etkileşimli bir harita üzerinde model tahminlerini ve coğrafi-uzamsal verileri keşfedebilirsiniz. görselleştirme araçları.
Multispektral uydu görüntüleri kullanılarak metan nokta kaynaklarının uzaktan algılanması
Uydu tabanlı metan algılama yaklaşımları tipik olarak CH4'ün benzersiz geçirgenlik özelliklerine dayanır. Görünür spektrumda CH4'ün geçirgenlik değerleri 1'e eşit veya 1'e yakındır, bu da çıplak gözle tespit edilemeyeceği anlamına gelir. Bununla birlikte, belirli dalga boylarında metan, tespit amacıyla kullanılabilecek bir özellik olan ışığı emer (geçirgenlik <1500). Bunun için tipik olarak kısa dalga boylu kızılötesi (SWIR) spektrumu (2500–4 nm spektral aralık) seçilir; bu, CH1'ün en çok tespit edilebildiği yerdir. Hiper ve multispektral uydu misyonları (yani, elektromanyetik spektrum boyunca birden fazla dalga boyu aralığında (bantlarda) görüntü verilerini yakalayan optik cihazlara sahip olanlar) bu SWIR aralıklarını kapsar ve dolayısıyla potansiyel tespit araçlarını temsil eder. Şekil XNUMX, SWIR spektrumundaki metanın geçirgenlik özelliklerini ve çeşitli aday multispektral uydu cihazlarının SWIR kapsamını göstermektedir (bkz. Re-Tweet ders çalışma).
Şekil 1 – SWIR spektrumundaki metanın geçirgenlik özellikleri ve Sentinel-2 çoklu spektrum misyonlarının kapsamı
Birçok multispektral uydu görevi ya düşük tekrar ziyaret frekansıyla sınırlıdır (örneğin, PRISMA Hiperspektral yaklaşık 16 günde) veya düşük uzaysal çözünürlükle (örneğin, nöbetçi 5 7.5 km x 7.5 km'de). Verilere erişmenin maliyeti de ek bir zorluktur: Bazı özel takımyıldızlar ticari görevler olarak faaliyet göstermektedir ve bu durum, finansal kısıtlamalar nedeniyle potansiyel olarak CH4 emisyon öngörülerinin araştırmacılar, karar vericiler ve diğer ilgili taraflar için daha az erişilebilir olmasını sağlamaktadır. ESA'lar Sentinel-2 multispektral göreviBu çözümün dayandığı yeniden ziyaret oranı (yaklaşık 5 gün), mekansal çözünürlük (yaklaşık 20 m) ve açık erişim (web sitesinde barındırılan) arasında uygun bir denge kurar. AWS Açık Veri Kaydı).
Sentinel-2'nin SWIR spektrumunu kapsayan iki bandı var (20 m çözünürlükte): bant-11 (1610 nm merkezi dalga boyu) ve bant-12 (2190 nm merkezi dalga boyu). Her iki bant da metan tespiti için uygundur, bant-12 ise CH4 emilimine karşı önemli ölçüde daha yüksek hassasiyete sahiptir (bkz. Şekil 1). Sezgisel olarak bu SWIR yansıma verilerini metan tespiti için kullanmanın iki olası yaklaşımı vardır. İlk olarak, yalnızca tek bir SWIR bandına (ideal olarak CH4 emilimine en duyarlı olan bant) odaklanabilir ve iki farklı uydu geçişi arasındaki yansımanın piksel piksel farkını hesaplayabilirsiniz. Alternatif olarak, benzer yüzey ve aerosol yansıtma özelliklerine sahip ancak farklı metan soğurma özelliklerine sahip iki bitişik spektral SWIR bandını kullanarak tespit için tek bir uydu geçişinden gelen verileri kullanırsınız.
Bu blog yazısında uyguladığımız tespit yöntemi her iki yaklaşımı da birleştiriyor. Biz çiziyoruz yer gözlem literatüründen son bulgular ve iki uydu geçişi ve iki SWIR bandı arasında atmosferin tepesi (TOA) yansımasındaki Δρ (yani, atmosferik aerosoller ve gazlardan gelen katkılar dahil olmak üzere Sentinel-2 tarafından ölçülen yansıma) fraksiyonel değişimi hesaplamak; metan bulunmayan bir temel geçiş (temel) ve aktif bir metan noktası kaynağından şüphelenilen bir izleme geçişi (monitör). Matematiksel olarak bu şu şekilde ifade edilebilir:
burada ρ, Sentinel-2 tarafından ölçülen TOA yansımasıdır, cizlemek ve cbaz tüm sahne boyunca bant-12'nin TOA yansıma değerlerinin bant-11'e göre regresyonuyla hesaplanır (yani, ρb11 = c * ρb12). Daha fazla ayrıntı için şu çalışmaya bakın: multispektral Sentinel-2 uydu gözlemleriyle anormal metan nokta kaynaklarının yüksek frekanslı izlenmesi.
SageMaker'ın coğrafi özelliklerine sahip bir metan algılama algoritması uygulayın
Metan tespit algoritmasını uygulamak için Amazon SageMaker Studio içindeki SageMaker coğrafi not defterini kullanıyoruz. Jeo-uzaysal not defteri çekirdeği, aşağıdakiler gibi temel jeo-uzaysal kütüphanelerle önceden donatılmıştır: GDAL, GeoPandalar, Düzgün, xdizi, ve rasteryoPython not defteri ortamında coğrafi verilerin doğrudan görselleştirilmesine ve işlenmesine olanak tanır. Bkz. başlangıç kılavuzu SageMaker'ın coğrafi özelliklerini kullanmaya nasıl başlayacağınızı öğrenmek için.
SageMaker amaca yönelik olarak tasarlanmış bir çözüm sunar API kullanarak birleştirilmiş bir arayüz aracılığıyla uydu görüntülerinin alınmasını kolaylaştırmak için tasarlanmıştır. Arama RasterVeri Toplama API çağrısı. SearchRasterDataCollection
aşağıdaki giriş parametrelerine dayanır:
Arn
: Sorgulanan raster veri koleksiyonunun Amazon kaynak adı (ARN)AreaOfInterest
: Arama sorgusunun ilgilenilen bölgesini temsil eden çokgen bir nesne (GeoJSON formatında)TimeRangeFilter
: İlgilenilen zaman aralığını tanımlar; şu şekilde gösterilir:{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Kabul edilebilir maksimum bulut örtüsüne ilişkin spesifikasyonlar gibi tamamlayıcı özellik filtreleri de dahil edilebilir
Bu yöntem, çağrılarak keşfedilebilecek çeşitli raster veri kaynaklarından sorgulamayı destekler. RasterVeri Koleksiyonlarını Listele. Metan tespit uygulamamızın kullanım alanları Sentinel-2 uydu görüntüleri, aşağıdaki ARN kullanılarak genel olarak başvurulabilir: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Bu ARN, Seviye 2A'ya (yüzey yansıması, atmosferik olarak düzeltilmiş) işlenmiş Sentinel-2 görüntülerini temsil eder. Metan tespiti amacıyla, aerosol bileşimi ve yoğunluğundaki değişiklikleri (yani metan sızıntılarını) tespit edilemez hale getirecek yüzey seviyesi atmosferik düzeltmeleri içermeyen atmosfer üstü (TOA) yansıma verilerini (Seviye 1C) kullanacağız. .
Belirli bir nokta kaynaktan gelen potansiyel emisyonları belirlemek için iki girdi parametresine ihtiyacımız var: şüpheli nokta kaynağın koordinatları ve metan emisyonunun izlenmesi için belirlenmiş bir zaman damgası. göz önüne alındığında SearchRasterDataCollection
API, bir ilgi alanını (AOI) tanımlamak için çokgenler veya çoklu çokgenler kullanır; yaklaşımımız, önce nokta koordinatlarını bir sınırlayıcı kutuya genişletmeyi ve ardından bu çokgeni kullanarak Sentinel-2 görüntülerini sorgulamak için kullanmayı içerir. SearchRasterDateCollection
.
Bu örnekte Kuzey Afrika'daki bir petrol sahasından kaynaklandığı bilinen bir metan sızıntısını izliyoruz. Bu, uzaktan algılama literatüründe standart bir doğrulama durumudur ve örneğin, Re-Tweet çalışmak. Tamamen çalıştırılabilir bir kod tabanı sağlanmaktadır. amazon-sagemaker-örnekleri GitHub deposu. Burada yalnızca SageMaker'ın jeo-uzamsal yeteneklerine sahip bir metan tespit çözümünün uygulanmasına yönelik temel yapı taşlarını temsil eden seçilmiş kod bölümlerini vurguluyoruz. Ek ayrıntılar için depoya bakın.
Örnek durum için koordinatları ve hedef izleme tarihini başlatarak başlıyoruz.
#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
Aşağıdaki kod parçacığı, verilen nokta koordinatları için bir sınırlayıcı kutu oluşturur ve ardından sınırlayıcı kutuya ve belirtilen izleme tarihine göre mevcut Sentinel-2 görüntüleri için bir arama gerçekleştirir:
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)
Yanıt, eşleşen Sentinel-2 öğelerinin ve bunlara karşılık gelen meta verilerin bir listesini içerir. Bunlar şunları içerir: Bulut İçin Optimize Edilmiş GeoTIFF'ler (COG) tümü için Sentinel-2 bantları, Hem de thumbnail Görüntünün görsel bantlarının hızlı bir önizlemesi için görüntüler. Doğal olarak, aşağıdaki Şekil 2'de gösterilen tam çözünürlüklü uydu görüntüsüne (RGB grafiği) de erişmek mümkündür.
Şekil 2 – AOI'nin uydu görüntüsü (RGB grafiği)
Daha önce detaylandırıldığı gibi, algılama yaklaşımımız atmosferin üst kısmı (TOA) SWIR yansımasındaki kesirli değişikliklere dayanmaktadır. Bunun işe yaraması için iyi bir temelin belirlenmesi çok önemlidir. İyi bir temel bulmak, hızlı bir şekilde bol miktarda deneme yanılma içeren sıkıcı bir süreç haline gelebilir. Ancak iyi buluşsal yöntemler bu arama sürecini otomatikleştirmede uzun bir yol kat edebilir. Geçmişte araştırılan vakalar için iyi sonuç veren bir arama buluşsal yöntemi şu şekildedir: geçmiş için day_offset=n
gün boyunca tüm uydu görüntülerini alın, tüm bulutları kaldırın ve görüntüyü kapsam içindeki AOI'ye kırpın. Daha sonra AOI boyunca ortalama bant-12 yansımasını hesaplayın. Bant-12'de en yüksek ortalama yansımaya sahip görüntünün Sentinel döşeme kimliğini döndürün.
Bu mantık aşağıdaki kod alıntısında uygulanmıştır. Mantığı, bant-12'nin CH4 emilimine karşı oldukça duyarlı olduğu gerçeğine dayanmaktadır (bkz. Şekil 1). Daha yüksek bir ortalama yansıma değeri, metan emisyonları gibi kaynaklardan daha düşük bir emilime karşılık gelir ve bu nedenle emisyonsuz bir temel sahne için güçlü bir gösterge sağlar.
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)
Bu yöntemi kullanmak, uygun bir temel tarihi ve karşılık gelen Sentinel-2 döşeme kimliğini yaklaşık olarak tahmin etmemizi sağlar. Sentinel-2 karo kimlikleri, diğer bilgilerin yanı sıra görev kimliği (Sentinel-2A/Sentinel-2B), benzersiz karo numarası (32SKA gibi) ve görüntünün çekildiği tarih hakkındaki bilgileri taşır ve bir gözlemi benzersiz şekilde tanımlar (yani, , sahne). Örneğimizde, yaklaşıklaştırma süreci 6 Ekim 2019'u göstermektedir (Sentinel-2 kutucuğu: S2B_32SKA_20191006_0_L2A
), en uygun temel aday olarak.
Daha sonra, temel tarih ile izlemek istediğimiz tarih arasındaki yansımadaki düzeltilmiş kesirli değişimi hesaplayabiliriz. Düzeltme faktörleri c (önceki Denklem 1'e bakın) aşağıdaki kodla hesaplanabilir:
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]
Denklem 1'in tam uygulaması aşağıdaki kod parçacığında verilmiştir:
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
Son olarak, yukarıdaki yöntemleri, belirli bir boylam ve enlem için AOI'yi tanımlayan, tarihi ve taban çizgisi döşemesini izleyen, gerekli uydu görüntülerini elde eden ve kesirli yansıma değişimi hesaplamasını gerçekleştiren uçtan uca bir rutine sarabiliriz.
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
Bu yöntemi daha önce belirlediğimiz parametrelerle çalıştırmak SWIR TOA yansımasındaki kesirli değişimi şu şekilde verir: xarray.DataArray. Basit bir işlemi çalıştırarak sonucun ilk görsel incelemesini gerçekleştirebiliriz. plot()
Bu veri dizisinde çağrı. Yöntemimiz, AOI'nin merkezinde daha önce görülen RGB grafiğinde tespit edilemeyen bir metan bulutunun varlığını ortaya koyuyor.
Şekil 3 – TOA yansımasındaki fraksiyonel yansıma değişimi (SWIR spektrumu)
Son adım olarak, tanımlanan metan bulutunu çıkarıyoruz ve önemli coğrafi bağlamı sağlamak için onu ham bir RGB uydu görüntüsü üzerine yerleştiriyoruz. Bu, aşağıda gösterildiği gibi uygulanabilen eşikleme ile elde edilir:
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
Bizim durumumuz için yansımadaki -0.02'lik kesirli değişim eşiği iyi sonuçlar verir ancak bu sahneden sahneye değişebilir ve bunu kendi özel kullanım durumunuz için kalibre etmeniz gerekecektir. Aşağıdaki Şekil 4, AOI'nin ham uydu görüntüsünü maskelenmiş dumanla birleştirerek metan dumanını coğrafi bağlamında gösteren tek bir kompozit görüntüde birleştirerek duman tabakasının nasıl oluşturulduğunu göstermektedir.
Şekil 4 – RGB görüntüsü, TOA yansımasındaki (SWIR spektrumu) fraksiyonel yansıma değişimi ve AOI için metan bulutu kaplaması
Gerçek dünyadaki metan emisyon olaylarıyla çözüm doğrulaması
Son adım olarak, yöntemimizi çeşitli kaynaklardan ve coğrafyalardan gelen metan sızıntılarını doğru şekilde tespit etme ve belirleme becerisi açısından değerlendiriyoruz. İlk olarak, özel olarak tasarlanmış kontrollü bir metan salınımı deneyi kullanıyoruz. uzay tabanlı nokta kaynak tespitinin doğrulanması ve karadaki metan emisyonlarının miktarının belirlenmesi. 2021'deki bu deneyde araştırmacılar, 19 günlük bir süre boyunca Ehrenberg, Arizona'da birkaç metan salınımı gerçekleştirdi. Bu deney sırasında Sentinel-2 geçişlerinden biri için tespit yöntemimizi çalıştırmak, metan bulutunu gösteren aşağıdaki sonucu üretir:
Şekil 5 - Arizona Kontrollü Salım Deneyi için metan dumanı yoğunlukları
Kontrollü salım sırasında oluşan duman, tespit yöntemimiz sayesinde açıkça tanımlanır. Aynı durum, Doğu Asya'daki bir çöp sahası (solda) veya Kuzey Amerika'daki bir petrol ve gaz tesisi (sağda) gibi kaynaklardan gelen diğer gerçek dünya sızıntıları (aşağıdaki Şekil 6'da) için de geçerlidir.
Şekil 6 - Doğu Asya'daki bir atık depolama sahası (solda) ve Kuzey Amerika'daki bir petrol ve gaz sahası (sağda) için metan dumanı yoğunlukları
Özetle, yöntemimiz hem kontrollü salımlardan hem de dünya genelindeki çeşitli gerçek dünya nokta kaynaklarından gelen metan emisyonlarının belirlenmesine yardımcı olabilir. Bu, çevredeki bitki örtüsünün sınırlı olduğu kıyıdaki nokta kaynaklar için en iyi sonucu verir. nedeniyle açık deniz sahnelerinde çalışmaz. SWIR spektrumunun su tarafından yüksek emilimi (yani düşük geçirgenliği). Önerilen tespit algoritmasının metan yoğunluğundaki değişikliklere dayandığı göz önüne alındığında, yöntemimiz aynı zamanda sızıntı öncesi gözlemleri de gerektirir. Bu durum, sabit emisyon oranlarına sahip sızıntıların izlenmesini zorlaştırabilir.
Temizlemek
Metan izleme işi tamamlandıktan sonra istenmeyen masraflara maruz kalmamak için SageMaker örneğini sonlandırdığınızdan ve istenmeyen yerel dosyaları sildiğinizden emin olun.
Sonuç
SageMaker'ın jeo-uzamsal yeteneklerini açık jeo-uzaysal veri kaynaklarıyla birleştirerek, kendi yüksek düzeyde özelleştirilmiş uzaktan izleme çözümlerinizi uygun ölçekte uygulayabilirsiniz. Bu blog yazısı, zararlı metan emisyonlarını tespit etmek ve sonuçta bunlardan kaçınmak isteyen hükümetlerin, STK'ların ve diğer kuruluşların odak alanı olan metan tespitine odaklandı. SageMaker jeo-uzamsal çekirdeğini içeren bir Notebook'u çalıştırarak ve kendi algılama çözümünüzü uygulayarak, kendi jeo-uzaysal analitik yolculuğunuza bugün başlayabilirsiniz. Bkz. GitHub deposu kendi uydu tabanlı metan algılama çözümünüzü oluşturmaya başlamak için. Ayrıca şunlara da göz atın: bilge-örnekler SageMaker'ın coğrafi özelliklerinin diğer gerçek dünyadaki uzaktan algılama uygulamalarında nasıl kullanılacağına ilişkin daha fazla örnek ve öğreticiler için depo.
yazarlar hakkında
Dr.Karsten Schroer AWS'de bir Çözüm Mimarıdır. BT altyapılarının sürdürülebilirliğini sağlamak ve kendi sektörlerinde sürdürülebilir operasyonlara olanak tanıyan bulutta yerel veri odaklı çözümler oluşturmak için veri ve teknolojiden yararlanma konusunda müşterileri destekler. Karsten, uygulamalı makine öğrenimi ve operasyon yönetimi alanındaki doktora çalışmalarının ardından AWS'ye katıldı. Toplumsal zorluklara yönelik teknoloji destekli çözümler konusunda gerçekten tutkulu ve bu çözümlerin altında yatan yöntemlere ve uygulama mimarilerine derinlemesine dalmayı seviyor.
Janosch Woschitz AWS'de jeo-uzamsal AI/ML konusunda uzmanlaşmış Kıdemli Çözüm Mimarıdır. 15 yılı aşkın deneyimiyle, jeo-uzamsal verilerden yararlanan yenilikçi çözümler için yapay zeka ve makine öğreniminden yararlanma konusunda dünya çapındaki müşterilerini destekliyor. Uzmanlığı makine öğrenimi, veri mühendisliği ve ölçeklenebilir dağıtılmış sistemleri kapsamaktadır; yazılım mühendisliğindeki güçlü geçmişi ve otonom sürüş gibi karmaşık alanlardaki endüstri uzmanlığıyla da desteklenmektedir.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 100
- 11
- 12
- 15 yıl
- %15
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- kabiliyet
- Hakkımızda
- yukarıdaki
- hızlandırmak
- hızlandırılmış
- kabul edilebilir
- erişim
- erişme
- elde
- Aldı
- karşısında
- Action
- aktif
- Ek
- yeterli olarak
- bitişik
- uygun
- Afrika
- Sonra
- karşı
- AI
- AI / ML
- algoritma
- benzer
- Türkiye
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker jeo-uzamsal
- Amazon SageMaker Stüdyosu
- Amazon Web Servisleri
- Amerika
- arasında
- an
- analizler
- analytics
- ve
- hayvan
- herhangi
- api
- uygulanabilir
- Uygulama
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşımlar
- uygun
- yaklaşık
- yaklaşık olarak
- ARE
- ALAN
- arizona
- etrafında
- Dizi
- AS
- Asya
- Asya
- At
- Atmosfer
- atmosferik
- augmented
- ayrıca otomasyonun
- özerk
- mevcut
- ortalama
- önlemek
- AWS
- arka fon
- Bakiye
- GRUP
- baz
- merkezli
- Temel
- BE
- müşterimiz
- olma
- olmuştur
- İYİ
- arasında
- Blokları
- Blog
- her ikisi de
- kutu
- inşa etmek
- bina
- yerleşik
- fakat
- by
- hesaplanmış
- çağrı
- CAN
- Alabilirsin
- aday
- yetenekleri
- yararlanmak
- ele geçirmek
- taşımak
- dava
- durumlarda
- Merkez
- merkezi
- belli
- meydan okuma
- zorluklar
- zor
- değişiklik
- değişiklikler
- özellikleri
- yükler
- Kontrol
- seçilmiş
- Açıkça
- İklim
- İklim değişikliği
- Kapanış
- bulut
- Kömür
- kod
- kod tabanı
- kombinasyon
- biçerdöverler
- birleştirme
- ticari
- Tamamlandı
- karmaşık
- bileşen
- kompozisyon
- hesaplama
- hesaplamak
- İlgilendirmek
- ilgili
- Konferans
- sabit
- kısıtlamaları
- içeren
- bağlam
- devam etmek
- katkıları
- kontrollü
- düzeltilmiş
- Düzeltmeler
- doğru
- uyan
- tekabül
- Ücret
- uygun maliyetli
- olabilir
- kapak
- kapsama
- kritik
- çok önemli
- akım
- görenek
- Müşteriler
- özelleştirilmiş
- veri
- veri-güdümlü
- veri kümeleri
- Tarih
- datetime
- Günler
- karar
- adanmış
- derin
- tanımlamak
- tanımlar
- dağıtmak
- belirlenen
- tasarlanmış
- arzu
- ayrıntı
- detaylı
- ayrıntılar
- belirlemek
- Bulma
- kararlı
- fark
- farklı
- zor
- direkt
- yön
- yok etme
- dağıtıldı
- dağıtılmış sistemler
- dalış
- yok
- Değil
- etki
- çekmek
- çizim
- sürücü
- sürme
- gereken
- sırasında
- her
- Daha erken
- toprak
- kolay
- Doğu
- Etkili
- verimli biçimde
- ya
- emisyon
- emisyon
- etkinleştirmek
- etkinleştirme
- son uca
- Mühendislik
- Mühendisler
- zenginleştirmek
- sağlamak
- Tüm
- çevre
- eşit
- hata
- ESA
- gerekli
- tahminleri
- EU
- değerlendirmek
- örnek
- örnekler
- genişleyen
- pahalı
- deneyim
- deneme
- Uzmanlık
- sömürülen
- keşfetmek
- keşfedilmeyi
- ifade
- çıkarmak
- çıkarma
- göz
- kolaylaştırmak
- Tesis
- gerçek
- faktörler
- tarım
- alan
- kavga
- şekil
- dosyalar
- filtreler
- son
- mali
- bulma
- bulgular
- Ad
- odak
- odak
- odaklanmış
- takip etme
- şu
- İçin
- biçim
- kesirli
- Ücretsiz
- Sıklık
- itibaren
- tam
- tamamen
- işlevsellik
- daha fazla
- gelecek
- GAZ
- oluşturulan
- üretir
- coğrafi
- coğrafyalar
- almak
- GitHub
- verilmiş
- Küresel
- Küresel
- dünya
- Go
- gol
- Tercih Etmenizin
- Hükümetler
- grafik
- büyük
- el
- zararlı
- Var
- he
- yardım et
- yardımcı olur
- okuyun
- Yüksek
- Yüksek frekans
- daha yüksek
- en yüksek
- Vurgulamak
- büyük ölçüde
- onun
- ev sahipliği yaptı
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- ID
- ideal olarak
- Kimlik
- tespit
- tanımlar
- belirlemek
- kimlikleri
- if
- göstermektedir
- görüntü
- görüntüleri
- uygulamak
- uygulama
- uygulanan
- uygulanması
- in
- Diğer
- dahil
- içerir
- Dahil olmak üzere
- belirti
- sanayi
- bilgi
- Altyapı
- yenilikçi
- giriş
- anlayışlar
- örnek
- enstrümanlar
- interaktif
- faiz
- arayüzey
- içine
- tanıttı
- IT
- ürün
- ONUN
- İş
- katıldı
- seyahat
- jpg
- sadece
- tutmak
- anahtar
- bilinen
- l2
- büyük
- büyük ölçekli
- sızıntı
- Kaçaklar
- ÖĞRENİN
- öğrenme
- en az
- sol
- az
- seviye
- kaldıraç
- kütüphaneler
- ışık
- sevmek
- Sınırlı
- Liste
- Edebiyat
- yerel
- mantık
- Uzun
- seviyor
- Düşük
- alt
- makine
- makine öğrenme
- büyük
- yapmak
- Makineleri
- Yapımı
- yönetim
- harita
- maske
- uygun
- matematik
- matematiksel olarak
- maksimum
- ortalama
- anlam
- anlamlı
- Metadata
- metan
- metan emisyonları
- metan sızıntısı
- yöntem
- yöntemleri
- Madencilik
- Misyonumuz
- misyonlar
- ML
- model
- modelleri
- izlemek
- izleme
- Daha
- çoğu
- çoklu
- isim
- Nasa
- Tabiat
- gerek
- STK'lar
- yok hayır
- Hayır
- Kuzey
- Kuzey Amerika
- defter
- numara
- nesne
- gözlem
- Ekim
- Ekim 6
- of
- sık sık
- Sıvı yağ
- Petrol ve Gaz
- on
- ONE
- devam
- bir tek
- açık
- işletmek
- Operasyon
- or
- organizasyonlar
- kaynak
- Diğer
- bizim
- dışarı
- tekrar
- kendi
- panel
- parametreler
- partiler
- geçmek
- geçer
- tutkulu
- geçmiş
- yüzde
- Yapmak
- yapılan
- gerçekleştirir
- dönem
- doktora
- Platon
- Plato Veri Zekası
- PlatoVeri
- Rehin
- Bol bol
- Nokta
- politika
- Kural koyucular
- Çokgen
- mümkün
- Çivi
- potansiyel
- potansiyel
- Tahminler
- varlık
- mevcut
- Önizleme
- önceki
- Önceden
- süreç
- İşlenmiş
- işleme
- üretir
- PLATFORM
- özellikleri
- özellik
- önerilen
- sağlamak
- sağlanan
- sağlar
- amaçlı
- Python
- miktar
- Hızlı
- hızla
- menzil
- hızla
- oran
- oranlar
- gerekçe
- Çiğ
- ulaşmak
- kolayca
- Gerçek dünya
- azaltarak
- başvurmak
- referans
- bölge
- kayıt
- serbest
- Bildirileri
- güvenmek
- uzak
- Kaldır
- Depo
- temsil etmek
- temsil
- temsil
- gereklidir
- gerektirir
- Araştırmacılar
- çözüm
- kaynak
- yoğun kaynak
- bu
- yanıt
- sorumlu
- sonuç
- Sonuçlar
- dönüş
- ortaya çıkarır
- RGB
- krallar gibi yaşamaya
- rutin
- koşu
- s
- sagemaker
- aynı
- uydu
- uydular
- ölçeklenebilir
- ölçek
- sahne
- Sahneler
- bilim adamları
- kapsam
- Ara
- bölümler
- görmek
- arayan
- görüldü
- seçilmiş
- kıdemli
- hassas
- Duyarlılık
- Hizmetler
- birkaç
- kısa
- şov
- gösterilen
- Gösteriler
- önemli ölçüde
- benzer
- Basit
- tek
- Yer
- pasajı
- Toplumsal
- Yazılım
- yazılım Mühendisliği
- çözüm
- Çözümler
- biraz
- Kaynak
- kaynaklar
- uzay tabanlı
- açıklıklı
- uzaysal
- uzmanlaşmış
- özel
- özellikle
- özellikler
- Belirtilen
- Spektral
- Spektrum
- kareler
- paydaşlar
- standart
- başlama
- başladı
- adım
- Grevler
- güçlü
- çalışmalar
- stüdyo
- Ders çalışma
- böyle
- Önerdi
- uygun
- Destekler
- yüzey
- çevreleyen
- Sürdürülebilirlik
- sürdürülebilir
- Sistemler
- Bizi daha iyi tanımak için
- alınan
- Hedef
- Teknik
- Teknoloji
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- Bu
- eşik
- İçinden
- zaman
- zaman tükeniyor
- zamanlar
- zaman damgası
- için
- Araba
- bugün
- araçlar
- Tren
- Dönüştürmek
- deneme
- gerçek
- gerçekten
- Öğreticiler
- iki
- tipik
- bize
- eninde sonunda
- altta yatan
- benzersiz
- benzersiz
- istenmeyen
- us
- kullanım
- kullanım durumu
- kullanım
- kullanma
- onaylama
- değer
- Değerler
- çeşitlilik
- çeşitli
- sektörler
- gözle görülür
- görüntüleme
- oldu
- Atık
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- hangi
- süre
- irade
- ile
- içinde
- İş
- işlenmiş
- çalışır
- olur
- sarın
- X
- yıl
- verim
- Sen
- zefirnet