Метан (CH4) є основним антропогенним парниковим газом, який є побічним продуктом видобутку нафти та газу, видобутку вугілля, великомасштабного тваринництва та утилізації відходів тощо. Потенціал глобального потепління CH4 у 86 разів більше CO2 і Міжурядова група експертів зі зміни клімату (IPCC) оцінює це метан відповідає за 30 відсотків спостережуваного глобального потепління на сьогоднішній день. Швидке зменшення витоку CH4 в атмосферу є критично важливим компонентом у боротьбі зі зміною клімату. У 2021 році ООН представила Глобальна метанова обіцянка на Конференції зі зміни клімату (COP26) з метою вжити «швидких заходів щодо метану, щоб зберегти майбутнє 1.5C». The Pledge has Підписанти 150 включаючи США та ЄС.
Раннє виявлення та постійний моніторинг джерел метану є ключовим компонентом значущих дій щодо метану, і тому стає проблемою як для політиків, так і для організацій. Впровадження доступних ефективних рішень для виявлення метану в масштабі, таких як детектори метану на місці або авіаційні спектрометри – це складно, оскільки вони часто непрактичні або надмірно дорогі. Дистанційне зондування за допомогою супутників, з іншого боку, може забезпечити глобальне, високочастотне та економічно ефективне виявлення, яке бажають зацікавлені сторони.
У цій публікації блогу ми покажемо вам, як ви можете використовувати Супутникові знімки Sentinel 2 розміщені в Реєстрі відкритих даних AWS в поєднанні з Геопросторові можливості Amazon SageMaker для виявлення точкових джерел викидів CH4 і моніторингу їх у часі. Малювання на нещодавні висновки з літератури зі спостереження Землі ви дізнаєтеся, як можна застосувати спеціальний алгоритм виявлення метану та використовувати його для виявлення та моніторингу витоку метану з різних місць по всьому світу. Ця публікація включає супровідний код на GitHub який надає додаткові технічні деталі та допомагає вам розпочати роботу з власним рішенням для моніторингу метану.
Традиційно проведення комплексного геопросторового аналізу було складним, трудомістким і ресурсомістким завданням. Геопросторові можливості Amazon SageMaker спростити науковцям із даних та інженерам з машинного навчання створювати, навчати та розгортати моделі з використанням геопросторових даних. Використовуючи геопросторові можливості SageMaker, ви можете ефективно перетворювати або збагачувати великомасштабні набори геопросторових даних, прискорювати побудову моделей за допомогою попередньо навчених моделей машинного навчання (ML) і досліджувати прогнози моделі та геопросторові дані на інтерактивній карті за допомогою 3D-прискореної графіки та вбудованої засоби візуалізації.
Дистанційне зондування точкових джерел метану за допомогою багатоспектральних супутникових знімків
Супутникові підходи до зондування метану зазвичай спираються на унікальні характеристики пропускання CH4. У видимому спектрі CH4 має значення пропускання, що дорівнює або близьке до 1, тобто його неможливо помітити неозброєним оком. Однак на певних довжинах хвиль метан поглинає світло (коефіцієнт пропускання <1), властивість, яку можна використати для цілей виявлення. Для цього зазвичай вибирають короткохвильовий інфрачервоний (SWIR) спектр (спектральний діапазон 1500–2500 нм), де CH4 найбільш помітний. Гіпер- та мультиспектральні супутникові місії (тобто місії з оптичними інструментами, які фіксують дані зображення в межах кількох діапазонів довжин хвиль (смуг) по всьому електромагнітному спектру) охоплюють ці діапазони SWIR і, отже, є потенційними інструментами виявлення. На малюнку 1 зображено характеристики пропускання метану в спектрі SWIR та покриття SWIR різних потенційних багатоспектральних супутникових приладів (адаптовано з це дослідження).
Рисунок 1 – Характеристики пропускання метану в спектрі SWIR та охоплення багатоспектральних місій Sentinel-2
Багато багатоспектральних супутникових місій обмежені або низькою частотою повторного відвідування (наприклад, PRISMA Hyperspectral приблизно через 16 днів) або за допомогою низької просторової роздільної здатності (наприклад, Страж 5 на 7.5 км х 7.5 км). Вартість доступу до даних є додатковою проблемою: деякі спеціалізовані угруповання працюють як комерційні місії, що потенційно робить інформацію про викиди CH4 менш доступною для дослідників, осіб, які приймають рішення, та інших зацікавлених сторін через фінансові обмеження. ESA Мультиспектральна місія Sentinel-2, на якому базується це рішення, забезпечує належний баланс між частотою повторних відвідувань (приблизно 5 днів), просторовою роздільною здатністю (приблизно 20 м) і відкритим доступом (розміщеним на Реєстр відкритих даних AWS).
Sentinel-2 має дві смуги, які покривають спектр SWIR (при роздільній здатності 20 м): смуга-11 (центральна довжина хвилі 1610 нм) і смуга-12 (центральна довжина хвилі 2190 нм). Обидві смуги придатні для виявлення метану, тоді як смуга-12 має значно вищу чутливість до поглинання CH4 (див. рис. 1). Інтуїтивно зрозуміло, що існує два можливих підходи до використання даних коефіцієнта відбиття SWIR для виявлення метану. По-перше, ви можете зосередитися лише на одній смузі SWIR (в ідеалі на тій, яка є найбільш чутливою до поглинання CH4) і обчислити попіксельну різницю у коефіцієнті відбиття через два різні супутникові проходи. Крім того, ви використовуєте дані з одного проходу супутника для виявлення за допомогою двох суміжних спектральних смуг SWIR, які мають подібні властивості відбиття поверхні та аерозолю, але мають різні характеристики поглинання метану.
Метод виявлення, який ми використовуємо в цій публікації блогу, поєднує обидва підходи. Ми малюємо далі нещодавні висновки з літератури зі спостереження Землі і обчислити часткову зміну коефіцієнта відбиття верхньої частини атмосфери (TOA) Δρ (тобто коефіцієнт відбиття, виміряний Sentinel-2, включаючи внески атмосферних аерозолів і газів) між двома проходами супутника та двома діапазонами SWIR; один базовий прохід, де немає метану (база), і один контрольний прохід, де підозрюється активне точкове джерело метану (моніторинг). Математично це можна виразити так:
де ρ – коефіцієнт відбиття TOA, виміряний Sentinel-2, cконтролювати і cбаза обчислюються шляхом регресії значень коефіцієнта відбиття TOA смуги 12 проти значень смуги 11 по всій сцені (тобто ρb11 = c * ρb12). Щоб дізнатися більше, зверніться до цього дослідження високочастотний моніторинг аномальних точкових джерел метану за допомогою мультиспектральних спостережень супутника Sentinel-2.
Впровадити алгоритм виявлення метану за допомогою геопросторових можливостей SageMaker
Щоб реалізувати алгоритм виявлення метану, ми використовуємо геопросторовий блокнот SageMaker в Amazon SageMaker Studio. Ядро геопросторового блокнота попередньо оснащено основними геопросторовими бібліотеками, такими як GDAL, GeoPandas, Витончений, xarray та Растеріо, що забезпечує пряму візуалізацію та обробку геопросторових даних у середовищі блокнота Python. Див Посібник для роботи щоб дізнатися, як почати використовувати геопросторові можливості SageMaker.
SageMaker надає спеціально створений API призначений для полегшення пошуку супутникових зображень через консолідований інтерфейс за допомогою SearchRasterDataCollection Виклик API. SearchRasterDataCollection
спирається на такі вхідні параметри:
Arn
: ім’я ресурсу Amazon (ARN) запитуваної колекції растрових данихAreaOfInterest
: багатокутний об’єкт (у форматі GeoJSON), що представляє область інтересу для пошукового запитуTimeRangeFilter
: Визначає діапазон часу, що цікавить, позначається як{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: також можна включити додаткові фільтри властивостей, такі як специфікації для максимально допустимого хмарного покриву
Цей метод підтримує запити з різних джерел растрових даних, які можна досліджувати за допомогою виклику ListRasterDataCollections. Наша реалізація виявлення метану використовує Знімки з супутника Sentinel-2, на який можна глобально посилатися за допомогою наступного ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Цей ARN представляє зображення Sentinel-2, які було оброблено до рівня 2A (коефіцієнт відбиття поверхні, виправлений на атмосферу). Для цілей виявлення метану ми використовуватимемо дані про відбивну здатність у верхній частині атмосфери (ТОА) (рівень 1C), які не включають атмосферні поправки на рівні поверхні, через які зміни складу та щільності аерозолю (тобто витоки метану) неможливо виявити. .
Щоб ідентифікувати потенційні викиди від конкретного точкового джерела, нам потрібні два вхідні параметри: координати передбачуваного точкового джерела та визначена позначка часу для моніторингу викидів метану. Враховуючи, що SearchRasterDataCollection
API використовує багатокутники або багатокутники для визначення зони інтересу (AOI), наш підхід передбачає розширення координат точки спочатку в обмежувальну рамку, а потім використання цього багатокутника для запиту зображень Sentinel-2 за допомогою SearchRasterDateCollection
.
У цьому прикладі ми спостерігаємо відомий витік метану з нафтового родовища в Північній Африці. Це стандартний випадок перевірки в літературі з дистанційного зондування, на який посилаються, наприклад, у це вивчення. Повністю виконувана база коду надається на amazon-sagemaker-examples репозиторій GitHub. Тут ми виділяємо лише вибрані розділи коду, які представляють ключові будівельні блоки для впровадження рішення для виявлення метану з геопросторовими можливостями SageMaker. Перегляньте репозиторій для отримання додаткової інформації.
Ми починаємо з ініціалізації координат і цільової дати моніторингу для прикладу.
#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
Наступний фрагмент коду генерує обмежувальну рамку для вказаних координат точки, а потім виконує пошук доступних зображень Sentinel-2 на основі обмежувальної рамки та вказаної дати моніторингу:
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)
Відповідь містить список відповідних елементів Sentinel-2 та їхні відповідні метадані. До них відносяться Оптимізовані для хмари GeoTIFF (COG) для всіх Смуги Сентинел-2, А також слайдами зображення для швидкого попереднього перегляду візуальних смуг зображення. Природно, також можна отримати доступ до супутникового зображення повної роздільної здатності (схема RGB), показаного на малюнку 2, який наведено нижче.
Рисунок 2 – Супутникове зображення (RGB графік) AOI
Як було зазначено раніше, наш підхід до виявлення ґрунтується на часткових змінах коефіцієнта відбиття SWIR у верхній частині атмосфери (TOA). Щоб це спрацювало, визначення хорошої базової лінії має вирішальне значення. Пошук хорошої базової лінії може швидко стати виснажливим процесом, що включає в себе багато проб і помилок. Однак хороша евристика може значно допомогти в автоматизації цього процесу пошуку. Евристика пошуку, яка добре працювала для справ, розслідуваних у минулому, така: для минулого day_offset=n
днів, отримати всі супутникові зображення, видалити будь-які хмари та закріпити зображення на AOI в межах. Потім обчисліть середній коефіцієнт відбиття смуги 12 через AOI. Повертає ідентифікатор плитки Sentinel для зображення з найвищим середнім коефіцієнтом відбиття в смузі 12.
Ця логіка реалізована в наступному фрагменті коду. Його обґрунтування ґрунтується на тому факті, що band-12 дуже чутливий до поглинання CH4 (див. Малюнок 1). Більше середнє значення коефіцієнта відбиття відповідає нижчому поглинанню від таких джерел, як викиди метану, і тому забезпечує переконливу вказівку на базову сцену без викидів.
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)
Використання цього методу дозволяє нам приблизно визначити відповідну базову дату та відповідний ідентифікатор плитки Sentinel-2. Ідентифікатори плиток Sentinel-2 містять інформацію про ідентифікатор місії (Sentinel-2A/Sentinel-2B), унікальний номер плитки (наприклад, 32SKA) і дату, коли було зроблено зображення, серед іншої інформації та унікально ідентифікують спостереження (тобто , сцена). У нашому прикладі процес наближення передбачає 6 жовтня 2019 року (плитка Sentinel-2: S2B_32SKA_20191006_0_L2A
), як найбільш підходящий кандидат на базову лінію.
Далі ми можемо обчислити скориговану часткову зміну коефіцієнта відбиття між базовою датою та датою, яку ми хочемо контролювати. Коригувальні коефіцієнти c (див. Рівняння 1) можна обчислити за допомогою наступного коду:
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]
Повна реалізація рівняння 1 наведена в наступному фрагменті коду:
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
Нарешті, ми можемо об’єднати наведені вище методи в наскрізну процедуру, яка визначає AOI для заданої довготи та широти, дату моніторингу та плитку базової лінії, отримує необхідні супутникові зображення та виконує обчислення зміни часткового відбиття.
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
Застосування цього методу з параметрами, які ми визначили раніше, дає часткову зміну коефіцієнта відбиття SWIR TOA як xarray.DataArray. Ми можемо виконати першу візуальну перевірку результату, запустивши простий plot()
виклик цього масиву даних. Наш метод показує наявність метанового шлейфу в центрі AOI, який не можна було помітити на RGB-схемі, яку бачили раніше.
Рисунок 3 – Фракційна зміна коефіцієнта відбиття в коефіцієнті відбиття TOA (спектр SWIR)
На останньому етапі ми витягуємо ідентифікований шлейф метану та накладаємо його на необроблене супутникове зображення RGB, щоб забезпечити важливий географічний контекст. Це досягається за допомогою порогового значення, яке можна реалізувати, як показано нижче:
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
У нашому випадку порогове значення часткової зміни відбиття -0.02 дає хороші результати, але це може змінюватися від сцени до сцени, і вам доведеться відкалібрувати це для конкретного випадку використання. На малюнку 4, який наведено нижче, показано, як накладання шлейфу генерується шляхом поєднання необробленого супутникового зображення AOI із замаскованим шлейфом у єдине складене зображення, яке показує шлейф метану в його географічному контексті.
Рисунок 4 – Зображення RGB, фракційна зміна коефіцієнта відбиття в коефіцієнті відбиття TOA (спектр SWIR) і накладання потоку метану для AOI
Перевірка рішення за допомогою реальних подій викидів метану
В якості останнього кроку ми оцінюємо наш метод на предмет його здатності правильно виявляти та точно визначати витоки метану з різних джерел і географічних зон. По-перше, ми використовуємо експеримент із контрольованим виділенням метану, спеціально розроблений для перевірка космічного виявлення точкових джерел і кількісна оцінка берегових викидів метану. У цьому експерименті 2021 року дослідники здійснили кілька викидів метану в Еренбергу, штат Арізона, протягом 19 днів. Застосування нашого методу виявлення для одного з проходів Sentinel-2 під час цього експерименту дає такий результат, який показує шлейф метану:
Рисунок 5 – Інтенсивність шлейфу метану для експерименту з контрольованим викидом в Арізоні
Шлейф, який утворюється під час контрольованого викиду, чітко ідентифікується нашим методом виявлення. Те саме стосується й інших відомих реальних витоків (на малюнку 6, який наведено нижче) із таких джерел, як смітник у Східній Азії (ліворуч) або нафтогазовий завод у Північній Америці (праворуч).
Рисунок 6 – Інтенсивність шлейфу метану для східноазійського звалища (ліворуч) і нафтогазового родовища в Північній Америці (праворуч)
Загалом, наш метод може допомогти визначити викиди метану як від контрольованих викидів, так і від різних реальних точкових джерел по всьому світу. Це найкраще працює для берегових точкових джерел із обмеженою навколишньою рослинністю. Це не працює для офшорних сцен через високе поглинання (тобто низьке пропускання) спектра SWIR водою. З огляду на те, що запропонований алгоритм виявлення ґрунтується на варіаціях інтенсивності метану, наш метод також вимагає попередніх спостережень за витоком. Це може ускладнити моніторинг витоків із постійними рівнями викидів.
Прибирати
Щоб уникнути небажаних витрат після завершення завдання моніторингу метану, переконайтеся, що ви завершили роботу екземпляра SageMaker і видалили всі непотрібні локальні файли.
Висновок
Поєднуючи геопросторові можливості SageMaker із відкритими джерелами геопросторових даних, ви можете реалізувати власні індивідуальні рішення для віддаленого моніторингу в масштабі. Ця публікація в блозі присвячена виявленню метану, головній темі для урядів, неурядових організацій та інших організацій, які прагнуть виявити та зрештою уникнути шкідливих викидів метану. Ви можете розпочати свою власну подорож у геопросторову аналітику вже сьогодні, запустивши ноутбук із геопросторовим ядром SageMaker і запровадивши власне рішення для виявлення. Див GitHub сховище щоб розпочати створення власного супутникового рішення для виявлення метану. Також перевірте sagemaker-приклади репозиторій для подальших прикладів і посібників щодо використання геопросторових можливостей SageMaker в інших реальних програмах дистанційного зондування.
Про авторів
Доктор Карстен Шроер є архітектором рішень в AWS. Він підтримує клієнтів у використанні даних і технологій для забезпечення стабільності їхньої ІТ-інфраструктури та створення хмарних рішень на основі даних, які забезпечують стабільну роботу у відповідних вертикалях. Карстен приєднався до AWS після отримання аспірантури з прикладного машинного навчання та управління операціями. Він справді захоплюється технологічними рішеннями суспільних проблем і любить глибоко занурюватися в методи та архітектури додатків, які лежать в основі цих рішень.
Янош Вошиц є старшим архітектором рішень в AWS, який спеціалізується на геопросторовому ШІ/ML. Маючи понад 15 років досвіду, він підтримує клієнтів у всьому світі у використанні штучного інтелекту та машинного навчання для інноваційних рішень, які використовують геопросторові дані. Його досвід охоплює машинне навчання, розробку даних і масштабовані розподілені системи, доповнений сильним досвідом розробки програмного забезпечення та галузевим досвідом у складних областях, таких як автономне водіння.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- : має
- :є
- : ні
- :де
- $UP
- 1
- 100
- 11
- 12
- 15 роки
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- здатність
- МЕНЮ
- вище
- прискорювати
- прискорений
- прийнятний
- доступ
- доступ до
- досягнутий
- Набуває
- через
- дію
- активний
- Додатковий
- адекватно
- сусідній
- доступний
- Африка
- після
- проти
- AI
- AI / ML
- алгоритм
- так
- ВСІ
- дозволяє
- Також
- Amazon
- Amazon SageMaker
- Геопросторовий Amazon SageMaker
- Студія Amazon SageMaker
- Amazon Web Services
- Америка
- серед
- an
- Аналіз
- аналітика
- та
- тварина
- будь-який
- API
- застосовно
- додаток
- застосування
- прикладної
- підхід
- підходи
- відповідний
- приблизний
- приблизно
- ЕСТЬ
- ПЛОЩА
- Арізона
- навколо
- масив
- AS
- Азія
- азіатський
- At
- атмосфера
- atmospheric
- збільшено
- автоматизація
- автономний
- доступний
- середній
- уникнути
- AWS
- фон
- Balance
- BAND
- база
- заснований
- Базова лінія
- BE
- ставати
- становлення
- було
- КРАЩЕ
- між
- блоки
- Блог
- обидва
- Box
- будувати
- Створюємо
- вбудований
- але
- by
- розрахований
- call
- CAN
- Може отримати
- кандидат
- можливості
- капіталізувати
- захоплення
- нести
- випадок
- випадків
- Центр
- центральний
- певний
- виклик
- проблеми
- складні
- зміна
- Зміни
- характеристика
- вантажі
- перевірка
- вибраний
- очевидно
- клімат
- Зміна клімату
- близько
- хмара
- Вугілля
- код
- кодова база
- поєднання
- комбінати
- об'єднання
- комерційний
- Зроблено
- комплекс
- компонент
- склад
- обчислення
- обчислення
- Занепокоєння
- стурбований
- конференція
- постійна
- обмеження
- містить
- контекст
- продовжувати
- внески
- контроль
- виправлений
- Виправлення
- правильно
- Відповідний
- відповідає
- Коштувати
- рентабельним
- може
- обкладинка
- охоплення
- критичний
- вирішальне значення
- Поточний
- виготовлений на замовлення
- Клієнти
- налаштувати
- дані
- керовані даними
- набори даних
- Дата
- дата, час
- Днів
- рішення
- присвячених
- глибокий
- визначати
- Визначає
- розгортання
- призначені
- призначений
- бажання
- деталь
- докладно
- деталі
- виявляти
- Виявлення
- певний
- різниця
- різний
- важкий
- прямий
- напрям
- розпорядження
- розподілений
- розподілені системи
- занурення
- робить
- Ні
- домени
- малювати
- малювання
- управляти
- водіння
- два
- під час
- кожен
- Раніше
- земля
- легше
- Схід
- Ефективний
- продуктивно
- або
- випромінювання
- викиди
- включіть
- дозволяє
- кінець в кінець
- Машинобудування
- Інженери
- збагачувати
- забезпечувати
- Весь
- Навколишнє середовище
- рівним
- помилка
- ESA
- істотний
- Оцінки
- EU
- оцінювати
- приклад
- Приклади
- розширюється
- дорогий
- досвід
- експеримент
- експертиза
- експлуатований
- дослідити
- Розвіданий
- виражений
- витяг
- видобуток
- очей
- фасилітувати
- Об'єкт
- факт
- фактори
- сільське господарство
- поле
- боротися
- Рисунок
- Файли
- Фільтри
- остаточний
- фінансовий
- виявлення
- результати
- Перший
- фокальний
- Сфокусувати
- увагу
- після
- слідує
- для
- формат
- дробові
- Безкоштовна
- частота
- від
- Повний
- повністю
- функціональність
- далі
- майбутнє
- ГАЗ
- генерується
- генерує
- географічний
- географії
- отримати
- GitHub
- даний
- Глобальний
- Глобально
- земну кулю
- Go
- мета
- добре
- Уряду
- графіка
- великий
- рука
- шкідливий
- Мати
- he
- допомога
- допомагає
- тут
- Високий
- Висока частота
- вище
- найвищий
- Виділіть
- дуже
- його
- відбувся
- Як
- How To
- Однак
- HTML
- HTTPS
- ID
- в ідеалі
- Ідентифікація
- ідентифікований
- ідентифікує
- ідентифікувати
- ідентифікатори
- if
- ілюструє
- зображення
- зображень
- здійснювати
- реалізація
- реалізовані
- реалізації
- in
- В інших
- включати
- includes
- У тому числі
- індикація
- промисловість
- інформація
- Інфраструктура
- інноваційний
- вхід
- розуміння
- екземпляр
- інструменти
- інтерактивний
- інтерес
- інтерфейс
- в
- введені
- IT
- пунктів
- ЙОГО
- робота
- приєднався
- подорож
- JPG
- просто
- тримати
- ключ
- відомий
- l2
- великий
- масштабний
- витік
- Витоку
- УЧИТЬСЯ
- вивчення
- найменш
- залишити
- менше
- рівень
- використання
- libraries
- світло
- як
- обмеженою
- список
- літератури
- місцевий
- логіка
- Довго
- любить
- низький
- знизити
- машина
- навчання за допомогою машини
- основний
- зробити
- Makers
- Робить
- управління
- карта
- маска
- узгодження
- математики
- математично
- максимальний
- значити
- сенс
- значущим
- метадані
- метан
- викиди метану
- Витік метану
- метод
- методика
- Mining
- Місія
- місіях
- ML
- модель
- Моделі
- монітор
- моніторинг
- більше
- найбільш
- множинний
- ім'я
- НАСА
- природа
- Необхідність
- НВО
- немає
- ніхто
- На північ
- Північна Америка
- ноутбук
- номер
- об'єкт
- спостереження
- жовтень
- жовтень 6
- of
- часто
- Нафта
- Нафта і газ
- on
- ONE
- постійний
- тільки
- відкрити
- працювати
- операції
- or
- організації
- походження
- Інше
- наші
- з
- над
- власний
- панель
- параметри
- Сторони
- проходити
- проходить
- пристрасний
- Минуле
- відсотків
- Виконувати
- виконується
- виступає
- period
- Вчений ступінь
- plato
- Інформація про дані Платона
- PlatoData
- Застава
- Plenty
- точка
- політика
- Політики
- Багатокутник
- це можливо
- пошта
- потенціал
- потенційно
- Прогнози
- наявність
- представити
- попередній перегляд
- попередній
- раніше
- процес
- Оброблено
- обробка
- випускає
- Product
- властивості
- власність
- запропонований
- забезпечувати
- за умови
- забезпечує
- цілей
- Python
- кількісна оцінка
- Швидко
- швидко
- діапазон
- швидко
- ставка
- ставки
- обгрунтування
- Сировина
- досягати
- легко
- Реальний світ
- зниження
- послатися
- посилання
- регіон
- реєстру
- звільнити
- Релізи
- покладатися
- віддалений
- видаляти
- Сховище
- представляти
- представляє
- представляє
- вимагається
- Вимагається
- Дослідники
- дозвіл
- ресурс
- ресурсомісткий
- ті
- відповідь
- відповідальний
- результат
- результати
- повертати
- Виявляє
- RGB
- право
- рутина
- біг
- s
- мудрець
- то ж
- супутник
- Супутники
- масштабовані
- шкала
- сцена
- сцени
- Вчені
- сфера
- Пошук
- розділам
- побачити
- пошук
- бачив
- обраний
- старший
- чутливий
- Чутливість
- Послуги
- кілька
- Короткий
- Показувати
- показаний
- Шоу
- істотно
- аналогічний
- простий
- один
- сайти
- уривок
- суспільний
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- деякі
- Source
- Джерела
- космічна
- прольоти
- просторовий
- спеціалізується
- конкретний
- конкретно
- специфікації
- зазначений
- Спектральний
- спектр
- квадрати
- зацікавлених сторін
- standard
- старт
- почалася
- Крок
- страйки
- сильний
- Дослідження
- студія
- Вивчення
- такі
- Запропонує
- підходящий
- Опори
- поверхню
- Навколо
- Sustainability
- сталого
- Systems
- Приймати
- прийняті
- Мета
- технічний
- Технологія
- Що
- Команда
- їх
- Їх
- потім
- Там.
- отже
- Ці
- вони
- це
- ті
- поріг
- через
- час
- трудомісткий
- times
- відмітка часу
- до
- Тоа
- сьогодні
- інструменти
- поїзд
- Перетворення
- суд
- правда
- по-справжньому
- навчальні посібники
- два
- типово
- нас
- Зрештою
- Основа
- створеного
- однозначно
- небажаний
- us
- використання
- використання випадку
- використовує
- використання
- перевірка достовірності
- значення
- Цінності
- різноманітність
- різний
- вертикалі
- видимий
- візуалізації
- було
- Відходи
- шлях..
- we
- Web
- веб-сервіси
- ДОБРЕ
- який
- в той час як
- волі
- з
- в
- Work
- працював
- працює
- б
- обернути
- X
- років
- врожайність
- Ти
- вашу
- зефірнет