Metan (CH4) er en viktig menneskeskapt klimagass som er et biprodukt fra olje- og gassutvinning, kullgruvedrift, storskala dyreoppdrett og avfallshåndtering, blant andre kilder. Det globale oppvarmingspotensialet til CH4 er 86 ganger mer enn CO2 og Intergovernmental Panel on Climate Change (IPCC) anslår det metan er ansvarlig for 30 prosent av den observerte globale oppvarmingen til dags dato. Rask reduksjon av lekkasje av CH4 til atmosfæren representerer en kritisk komponent i kampen mot klimaendringer. I 2021 innførte FN Det globale metanløftet på Climate Change Conference (COP26), med et mål om å ta "rask handling på metan for å holde en 1.5C fremtid innen rekkevidde." The Pledge har 150 underskrivere inkludert USA og EU.
Tidlig oppdagelse og kontinuerlig overvåking av metankilder er en nøkkelkomponent i meningsfull handling mot metan og blir derfor en bekymring for både beslutningstakere og organisasjoner. Implementering av rimelige, effektive metandeteksjonsløsninger i stor skala – for eksempel metandetektorer på stedet eller flymonterte spektrometre – er utfordrende, siden de ofte er upraktiske eller uoverkommelig dyre. Fjernmåling ved bruk av satellitter kan derimot gi den globale, høyfrekvente og kostnadseffektive deteksjonsfunksjonen som interessenter ønsker.
I dette blogginnlegget viser vi deg hvordan du kan bruke Sentinel 2-satellittbilder som ligger på AWS Registry of Open Data i kombinasjon med Amazon SageMaker geospatiale muligheter å oppdage punktkilder til CH4-utslipp og overvåke dem over tid. Tegner på nyere funn fra jordobservasjonslitteraturen du vil lære hvordan du kan implementere en tilpasset metandeteksjonsalgoritme og bruke den til å oppdage og overvåke metanlekkasje fra en rekke steder over hele verden. Dette innlegget inkluderer medfølgende kode på GitHub som gir ytterligere tekniske detaljer og hjelper deg å komme i gang med din egen metanovervåkingsløsning.
Tradisjonelt var det å kjøre komplekse geospatiale analyser en vanskelig, tidkrevende og ressurskrevende oppgave. Amazon SageMaker geospatiale muligheter gjøre det enklere for dataforskere og maskinlæringsingeniører å bygge, trene og distribuere modeller ved hjelp av geospatiale data. Ved å bruke SageMaker geospatiale muligheter kan du effektivt transformere eller berike store geospatiale datasett, akselerere modellbygging med forhåndstrente maskinlæringsmodeller (ML) og utforske modellprediksjoner og geospatiale data på et interaktivt kart ved hjelp av 3D-akselerert grafikk og innebygd visualiseringsverktøy.
Fjernmåling av metanpunktkilder ved bruk av multispektrale satellittbilder
Satellittbaserte metansensortilnærminger er vanligvis avhengige av de unike transmittansegenskapene til CH4. I det synlige spekteret har CH4 transmittansverdier lik eller nær 1, noe som betyr at den ikke kan oppdages med det blotte øye. På tvers av visse bølgelengder absorberer imidlertid metan lys (transmittans <1), en egenskap som kan utnyttes til deteksjonsformål. For dette velges vanligvis det korte bølgelengde infrarøde (SWIR) spekteret (1500–2500 nm spektralområde), som er der CH4 er mest påviselig. Hyper- og multispektrale satellittoppdrag (det vil si de med optiske instrumenter som fanger bildedata innenfor flere bølgelengdeområder (bånd) over det elektromagnetiske spekteret) dekker disse SWIR-områdene og representerer derfor potensielle deteksjonsinstrumenter. Figur 1 plotter transmittanskarakteristikkene til metan i SWIR-spekteret og SWIR-dekningen til forskjellige kandidat-multispektrale satellittinstrumenter (tilpasset fra denne studere).
Figur 1 – Transmittansegenskaper for metan i SWIR-spekteret og dekning av Sentinel-2 multispektrale oppdrag
Mange multispektrale satellittoppdrag er begrenset enten av en lav gjenbesøksfrekvens (f.eks. PRISMA Hyperspektral ved omtrent 16 dager) eller med lav romlig oppløsning (f.eks. Sentinel 5 ved 7.5 km x 7.5 km). Kostnaden for å få tilgang til data er en ekstra utfordring: Noen dedikerte konstellasjoner fungerer som kommersielle oppdrag, som potensielt gjør CH4-utslippsinnsikt mindre lett tilgjengelig for forskere, beslutningstakere og andre berørte parter på grunn av økonomiske begrensninger. ESA sine Sentinel-2 multispektralt oppdrag, som denne løsningen er basert på, oppnår en passende balanse mellom gjenbesøksfrekvens (ca. 5 dager), romlig oppløsning (ca. 20 m) og åpen tilgang (vert på AWS register over åpne data).
Sentinel-2 har to bånd som dekker SWIR-spekteret (ved en 20 m oppløsning): bånd-11 (1610 nm sentral bølgelengde) og bånd-12 (2190 nm sentral bølgelengde). Begge båndene egner seg for metan-deteksjon, mens bånd-12 har betydelig høyere følsomhet for CH4-absorpsjon (se figur 1). Intuitivt er det to mulige tilnærminger til å bruke disse SWIR-reflektansdataene for metandeteksjon. Først kan du fokusere på bare ett enkelt SWIR-bånd (ideelt sett det som er mest følsomt for CH4-absorpsjon) og beregne piksel-for-piksel-forskjellen i reflektans over to forskjellige satellittpass. Alternativt kan du bruke data fra et enkelt satellittpass for deteksjon ved å bruke de to tilstøtende spektrale SWIR-båndene som har lignende overflate- og aerosolreflektansegenskaper, men som har forskjellige metanabsorpsjonsegenskaper.
Deteksjonsmetoden vi implementerer i dette blogginnlegget kombinerer begge tilnærmingene. Vi trekker på nyere funn fra jordobservasjonslitteraturen og beregne den fraksjonelle endringen i top-of-the-atmosphere (TOA) reflektans Δρ (det vil si reflektans målt av Sentinel-2 inkludert bidrag fra atmosfæriske aerosoler og gasser) mellom to satellittpassasjer og de to SWIR-båndene; ett grunnlinjepassasje der det ikke er metan tilstede (base) og ett overvåkingspass hvor det er mistanke om en aktiv metanpunktkilde (monitor). Matematisk kan dette uttrykkes slik:
hvor ρ er TOA-reflektansen målt ved Sentinel-2, covervåke og cbasen beregnes ved å regressere TOA-reflektansverdiene til bånd-12 mot de for bånd-11 over hele scenen (det vil si ρb11 = c * ρb12). For flere detaljer, se denne studien om høyfrekvent overvåking av unormale metanpunktkilder med multispektrale Sentinel-2 satellittobservasjoner.
Implementer en metandeteksjonsalgoritme med SageMaker geospatiale muligheter
For å implementere metandeteksjonsalgoritmen bruker vi SageMaker geospatiale notatbok i Amazon SageMaker Studio. Den geospatiale notatbokkjernen er forhåndsutstyrt med viktige geospatiale biblioteker som f.eks Gdal, Geopandas, velskapt, xarrayog Rasterio, som muliggjør direkte visualisering og prosessering av geospatiale data i Python-notebook-miljøet. Se komme i gang guide for å lære hvordan du begynner å bruke SageMaker geospatiale muligheter.
SageMaker gir en spesialbygd API designet for å lette gjenfinning av satellittbilder gjennom et konsolidert grensesnitt ved hjelp av SearchRasterDataCollection API-anrop. SearchRasterDataCollection
er avhengig av følgende inngangsparametere:
Arn
: Amazon-ressursnavnet (ARN) til den forespurte rasterdatasamlingenAreaOfInterest
: Et polygonobjekt (i GeoJSON-format) som representerer området av interesse for søketTimeRangeFilter
: Definerer tidsintervallet for interesse, betegnet som{StartTime: <string>,
EndTime: <string>}
PropertyFilters
: Supplerende egenskapsfiltre, som spesifikasjoner for maksimalt akseptabelt skydekke, kan også inkluderes
Denne metoden støtter spørring fra forskjellige rasterdatakilder som kan utforskes ved å ringe ListRasterDataCollections. Vår implementering av metandeteksjon bruker Sentinel-2 satellittbilder, som kan refereres globalt ved hjelp av følgende ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8
.
Denne ARN-en representerer Sentinel-2-bilder, som har blitt behandlet til nivå 2A (overflatereflektans, atmosfærisk korrigert). For metandeteksjonsformål vil vi bruke top-of-atmosphere (TOA) reflektansdata (nivå 1C), som ikke inkluderer atmosfæriske korreksjoner på overflatenivået som vil gjøre endringer i aerosolsammensetning og tetthet (det vil si metanlekkasjer) uoppdagelige .
For å identifisere potensielle utslipp fra en spesifikk punktkilde trenger vi to inngangsparametere: koordinatene til den mistenkte punktkilden og et angitt tidsstempel for metanutslippsovervåking. Gitt at SearchRasterDataCollection
API bruker polygoner eller multi-polygoner for å definere et interesseområde (AOI), vår tilnærming innebærer å utvide punktkoordinatene til en grenseramme først og deretter bruke den polygonen til å spørre etter Sentinel-2-bilder ved å bruke SearchRasterDateCollection
.
I dette eksemplet overvåker vi en kjent metanlekkasje som stammer fra et oljefelt i Nord-Afrika. Dette er et standard valideringstilfelle i fjernmålingslitteraturen og refereres for eksempel til i denne studere. En fullstendig kjørbar kodebase er gitt på amazon-sagemaker-eksempler GitHub-depot. Her fremhever vi kun utvalgte kodeseksjoner som representerer de viktigste byggesteinene for implementering av en metandeteksjonsløsning med SageMaker geospatiale muligheter. Se depotet for ytterligere detaljer.
Vi starter med å initialisere koordinatene og målovervåkingsdatoen for eksempelsaken.
#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
Følgende kodebit genererer en grenseramme for de gitte punktkoordinatene og utfører deretter et søk etter tilgjengelige Sentinel-2-bilder basert på avgrensningsrammen og den angitte overvåkingsdatoen:
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)
Svaret inneholder en liste over samsvarende Sentinel-2-elementer og deres tilsvarende metadata. Disse inkluderer Cloud-Optimized GeoTIFFs (COG) for alle Sentinel-2 band, i tillegg til thumbnail bilder for en rask forhåndsvisning av de visuelle båndene i bildet. Naturligvis er det også mulig å få tilgang til satellittbildet i full oppløsning (RGB-plott), vist i figur 2 som følger.
Figur 2 – Satellittbilde (RGB-plott) av AOI
Som tidligere beskrevet er deteksjonstilnærmingen vår avhengig av fraksjonelle endringer i SWIR-reflektansen fra toppen av atmosfæren (TOA). For at dette skal fungere, er identifiseringen av en god baseline avgjørende. Å finne en god baseline kan fort bli en kjedelig prosess som involverer mye prøving og feiling. Imidlertid kan god heuristikk gå langt i å automatisere denne søkeprosessen. En søkeheuristikk som har fungert godt for saker som er undersøkt tidligere, er som følger: for fortiden day_offset=n
dager, hent alle satellittbilder, fjern eventuelle skyer og klipp bildet til AOI-en i omfang. Beregn deretter den gjennomsnittlige bånd-12-reflektansen over AOI. Returner Sentinel-brikke-ID-en til bildet med den høyeste gjennomsnittlige reflektansen i bånd-12.
Denne logikken er implementert i følgende kodeutdrag. Begrunnelsen er avhengig av det faktum at bånd-12 er svært følsomt for CH4-absorpsjon (se figur 1). En høyere gjennomsnittlig reflektansverdi tilsvarer en lavere absorpsjon fra kilder som metanutslipp og gir derfor en sterk indikasjon på en utslippsfri baselinescene.
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)
Ved å bruke denne metoden kan vi beregne en passende grunnlinjedato og tilsvarende Sentinel-2-brikke-ID. Sentinel-2-brikke-ID-er inneholder informasjon om oppdrags-ID-en (Sentinel-2A/Sentinel-2B), det unike brikkenummeret (som 32SKA), og datoen bildet ble tatt, blant annet og identifiserer en observasjon unikt (dvs. , en scene). I vårt eksempel foreslår tilnærmingsprosessen 6. oktober 2019 (Sentinel-2-brikke: S2B_32SKA_20191006_0_L2A
), som den mest passende grunnlinjekandidaten.
Deretter kan vi beregne den korrigerte fraksjonelle endringen i refleksjon mellom grunnlinjedatoen og datoen vi ønsker å overvåke. Korreksjonsfaktorene c (se ligning 1 foran) kan beregnes med følgende kode:
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]
Den fullstendige implementeringen av ligning 1 er gitt i følgende kodebit:
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
Til slutt kan vi pakke metodene ovenfor inn i en ende-til-ende rutine som identifiserer AOI for en gitt lengde- og breddegrad, overvåkingsdato og grunnlinjeflis, innhenter de nødvendige satellittbildene og utfører beregningen av brøkreflektansendringer.
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
Å kjøre denne metoden med parametrene vi bestemte tidligere gir brøkendringen i SWIR TOA-reflektansen som en xarray.DataArray. Vi kan utføre en første visuell inspeksjon av resultatet ved å kjøre en enkel plot()
påkalling på denne datamatrisen. Metoden vår avslører tilstedeværelsen av en metan-plume i midten av AOI som var uoppdagelig i RGB-plottet sett tidligere.
Figur 3 – Fraksjonell reflektansendring i TOA-reflektans (SWIR-spektrum)
Som et siste trinn trekker vi ut den identifiserte metanplommen og legger den over på et rå RGB-satellittbilde for å gi den viktige geografiske konteksten. Dette oppnås ved hjelp av terskelverdier, som kan implementeres som vist i følgende:
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
For vårt tilfelle gir en terskel på -0.02 brøkendring i refleksjonsevne gode resultater, men dette kan endres fra scene til scene, og du må kalibrere dette for ditt spesifikke bruksområde. Figur 4 som følger illustrerer hvordan skyveoverlegget genereres ved å kombinere det rå satellittbildet av AOI med den maskerte skyen til et enkelt sammensatt bilde som viser metanfjæren i dens geografiske kontekst.
Figur 4 – RGB-bilde, brøkrefleksjonsendring i TOA-reflektans (SWIR-spektrum), og metan-plume-overlegg for AOI
Løsningsvalidering med virkelige metanutslippshendelser
Som et siste trinn vurderer vi metoden vår for dens evne til å oppdage og finne metanlekkasjer fra en rekke kilder og geografier. Først bruker vi et kontrollert metanfrigjøringseksperiment spesielt designet for validering av rombasert punktkildedeteksjon og kvantifisering av metanutslipp på land. I dette 2021-eksperimentet utførte forskere flere metanutgivelser i Ehrenberg, Arizona over en 19-dagers periode. Å kjøre vår deteksjonsmetode for en av Sentinel-2-passasjene i løpet av det eksperimentet gir følgende resultat som viser en metansky:
Figur 5 – Intensiteter av metanfyr for eksperimentet med kontrollert frigjøring i Arizona
Plymen som genereres under den kontrollerte utgivelsen er tydelig identifisert av vår deteksjonsmetode. Det samme gjelder for andre kjente lekkasjer fra den virkelige verden (i figur 6 som følger) fra kilder som et deponi i Øst-Asia (til venstre) eller et olje- og gassanlegg i Nord-Amerika (til høyre).
Figur 6 – Intensiteter for metanfyr for et østasiatisk deponi (til venstre) og et olje- og gassfelt i Nord-Amerika (til høyre)
I sum kan metoden vår bidra til å identifisere metanutslipp både fra kontrollerte utslipp og fra ulike virkelige punktkilder over hele kloden. Dette fungerer best for punktkilder på land med begrenset omkringliggende vegetasjon. Det fungerer ikke for off-shore scener pga den høye absorpsjonen (det vil si lav transmittans) av SWIR-spekteret av vann. Gitt at den foreslåtte deteksjonsalgoritmen er avhengig av variasjoner i metanintensitet, krever metoden vår også pre-lekkasjeobservasjoner. Dette kan gjøre overvåking av lekkasjer med konstante utslippsrater utfordrende.
Rydd opp
For å unngå å pådra seg uønskede kostnader etter at en metanovervåkingsjobb er fullført, sørg for at du avslutter SageMaker-forekomsten og sletter eventuelle uønskede lokale filer.
konklusjonen
Ved å kombinere SageMaker geospatiale muligheter med åpne geospatiale datakilder kan du implementere dine egne svært tilpassede fjernovervåkingsløsninger i stor skala. Dette blogginnlegget fokuserte på metandeteksjon, et fokusområde for myndigheter, frivillige organisasjoner og andre organisasjoner som søker å oppdage og til slutt unngå skadelige metanutslipp. Du kan komme i gang i dag på din egen reise inn i geospatial analyse ved å spinne opp en notatbok med SageMaker geospatiale kjerne og implementere din egen deteksjonsløsning. Se GitHub repository for å komme i gang med å bygge din egen satellittbaserte metandeteksjonsløsning. Sjekk også ut sagemaker-eksempler repository for ytterligere eksempler og veiledninger om hvordan du bruker SageMaker geospatiale evner i andre virkelige fjernmålingsapplikasjoner.
Om forfatterne
Dr. Karsten Schroer er løsningsarkitekt hos AWS. Han støtter kunder i å utnytte data og teknologi for å drive bærekraftig IT-infrastruktur og bygge skybaserte datadrevne løsninger som muliggjør bærekraftig drift i deres respektive vertikaler. Karsten begynte i AWS etter sine doktorgradsstudier i anvendt maskinlæring og driftsledelse. Han brenner virkelig for teknologiaktiverte løsninger på samfunnsutfordringer og elsker å dykke dypt ned i metodene og applikasjonsarkitekturene som ligger til grunn for disse løsningene.
Janosch Woschitz er Senior Solutions Architect hos AWS, med spesialisering i geospatial AI/ML. Med over 15 års erfaring støtter han kunder globalt i å utnytte AI og ML for innovative løsninger som utnytter geospatiale data. Hans ekspertise spenner over maskinlæring, datateknikk og skalerbare distribuerte systemer, forsterket av en sterk bakgrunn innen programvareteknikk og bransjeekspertise innen komplekse domener som autonom kjøring.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 1
- 100
- 11
- 12
- 15 år
- 15%
- 16
- 20
- 2019
- 2021
- 30
- 31
- 3d
- 7
- 700
- a
- evne
- Om oss
- ovenfor
- akselerere
- akselerert
- akseptabelt
- adgang
- Tilgang
- oppnådd
- kjøper
- tvers
- Handling
- aktiv
- tilpasset
- Ytterligere
- tilstrekkelig
- ved siden av
- rimelig
- afrika
- Etter
- mot
- AI
- AI / ML
- algoritme
- alike
- Alle
- tillater
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon SageMaker Studio
- Amazon Web Services
- america
- blant
- an
- analyser
- analytics
- og
- dyr
- noen
- api
- aktuelt
- Søknad
- søknader
- anvendt
- tilnærming
- tilnærminger
- hensiktsmessig
- tilnærmet
- ca
- ER
- AREA
- Arizona
- rundt
- Array
- AS
- asia
- asiatisk
- At
- Atmosfære
- atmosfærisk
- augmented
- Automatisere
- autonom
- tilgjengelig
- gjennomsnittlig
- unngå
- AWS
- bakgrunn
- Balansere
- BAND
- basen
- basert
- Baseline
- BE
- bli
- bli
- vært
- BEST
- mellom
- Blocks
- Blogg
- både
- Eske
- bygge
- Bygning
- innebygd
- men
- by
- beregnet
- ring
- CAN
- Kan få
- kandidat
- evner
- kapital
- fangst
- bære
- saken
- saker
- sentrum
- sentral
- viss
- utfordre
- utfordringer
- utfordrende
- endring
- Endringer
- egenskaper
- avgifter
- sjekk
- valgt ut
- klart
- Klima
- Klima forandringer
- Lukke
- Cloud
- Kull
- kode
- kodebase
- kombinasjon
- skurtreskerne
- kombinere
- kommersiell
- Terminado
- komplekse
- komponent
- sammensetning
- beregningen
- Beregn
- Bekymring
- bekymret
- Konferanse
- konstant
- begrensninger
- inneholder
- kontekst
- fortsette
- bidragene
- kontrolleres
- Korrigert
- Korreksjoner
- riktig
- Tilsvarende
- tilsvarer
- Kostnad
- kostnadseffektiv
- kunne
- dekke
- dekning
- kritisk
- avgjørende
- Gjeldende
- skikk
- Kunder
- tilpasset
- dato
- data-drevet
- datasett
- Dato
- dato tid
- Dager
- avgjørelse
- dedikert
- dyp
- definere
- definerer
- tetthet
- utplassere
- utpekt
- designet
- ønske
- detalj
- detaljert
- detaljer
- oppdage
- Gjenkjenning
- bestemmes
- forskjell
- forskjellig
- vanskelig
- direkte
- retning
- avhending
- distribueres
- distribuerte systemer
- dykk
- gjør
- ikke
- domener
- tegne
- tegning
- stasjonen
- kjøring
- to
- under
- hver enkelt
- Tidligere
- jord
- enklere
- øst
- Effektiv
- effektivt
- enten
- utslipp
- Utslipp
- muliggjøre
- muliggjør
- ende til ende
- Ingeniørarbeid
- Ingeniører
- berike
- sikre
- Hele
- Miljø
- lik
- feil
- ESA
- avgjørende
- estimater
- Eter (ETH)
- EU
- evaluere
- eksempel
- eksempler
- ekspanderende
- dyrt
- erfaring
- eksperiment
- ekspertise
- Exploited
- utforske
- utforsket
- uttrykte
- trekke ut
- utdrag
- øye
- legge til rette
- Facility
- Faktisk
- faktorer
- oppdrett
- felt
- slåss
- Figur
- Filer
- filtre
- slutt~~POS=TRUNC
- finansiell
- finne
- funn
- Først
- focal
- Fokus
- fokuserte
- etter
- følger
- Til
- format
- brøk
- Gratis
- Frekvens
- fra
- fullt
- fullt
- funksjonalitet
- videre
- framtid
- GAS
- generert
- genererer
- geografisk
- geografier
- geometri
- få
- GitHub
- gitt
- Global
- global oppvarming
- Globalt
- globus
- Go
- mål
- god
- regjeringer
- grafikk
- større
- klimagass
- hånd
- skadelig
- Ha
- he
- hjelpe
- hjelper
- her.
- Høy
- Høy frekvens
- høyere
- høyest
- Uthev
- svært
- hans
- vert
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- ID
- ideelt sett
- Identifikasjon
- identifisert
- identifiserer
- identifisere
- ids
- IEA
- if
- illustrerer
- bilde
- bilder
- iverksette
- gjennomføring
- implementert
- implementere
- in
- I andre
- inkludere
- inkluderer
- Inkludert
- indikasjon
- industri
- informasjon
- Infrastruktur
- innovative
- inngang
- innsikt
- f.eks
- instrumenter
- interaktiv
- interesse
- Interface
- inn
- introdusert
- innebærer
- IT
- varer
- DET ER
- Jobb
- ble med
- reise
- jpg
- JPL
- bare
- Hold
- nøkkel
- kjent
- l2
- stor
- storskala
- breddegrad
- lekke
- Lekkasjer
- LÆRE
- læring
- lærende ingeniører
- minst
- venstre
- mindre
- Nivå
- utnytte
- bibliotekene
- lett
- i likhet med
- Begrenset
- Liste
- litteratur
- lokal
- logikk
- Lang
- elsker
- Lav
- lavere
- maskin
- maskinlæring
- større
- gjøre
- Makers
- Making
- ledelse
- kart
- maske
- matchende
- math
- matematisk
- maksimal
- bety
- betyr
- meningsfylt
- målte
- metadata
- metan
- metanutslipp
- Metanlekkasje
- metode
- metoder
- Gruvedrift
- Oppdrag
- oppdrag
- ML
- modell
- modeller
- Overvåke
- overvåking
- mer
- mest
- flere
- navn
- Nasa
- Natur
- Trenger
- Frivillige organisasjoner
- Nei.
- none
- nord
- nord amerika
- bærbare
- Antall
- objekt
- observasjon
- observasjoner
- observerte
- oktober
- oktober 6
- of
- ofte
- Olje
- Olje og gass
- on
- ONE
- pågående
- bare
- åpen
- betjene
- Drift
- or
- organisasjoner
- opprinnelse
- Annen
- vår
- ut
- enn
- egen
- panel
- parametere
- parter
- passere
- passerer
- lidenskapelig
- Past
- prosent
- utføre
- utført
- utfører
- perioden
- phd
- plato
- Platon Data Intelligence
- PlatonData
- Løfte
- Plenty
- Point
- politikk
- Beslutningstakere
- polygon
- mulig
- Post
- potensiell
- potensielt
- Spådommer
- tilstedeværelse
- presentere
- Forhåndsvisning
- forrige
- tidligere
- prosess
- behandlet
- prosessering
- produserer
- Produkt
- egenskaper
- eiendom
- foreslått
- gi
- forutsatt
- gir
- formål
- Python
- kvantifisering
- Rask
- raskt
- område
- raskt
- Sats
- priser
- Raw
- å nå
- lett
- virkelige verden
- redusere
- referere
- referanse
- region
- registret
- regresjon
- slipp
- Utgivelser
- avhengige
- fjernkontroll
- fjerne
- Repository
- representere
- representerer
- representerer
- påkrevd
- Krever
- forskere
- oppløsning
- ressurs
- ressurskrevende
- de
- svar
- ansvarlig
- resultere
- Resultater
- retur
- avslører
- RGB
- ikke sant
- rutine
- rennende
- s
- sagemaker
- samme
- satellitt
- satellittbilder
- satellitter
- skalerbar
- Skala
- scene
- Scener
- forskere
- omfang
- Søk
- seksjoner
- se
- søker
- sett
- valgt
- senior
- sensitive
- Følsomhet
- Tjenester
- flere
- Kort
- Vis
- viser
- vist
- Viser
- betydelig
- lignende
- Enkelt
- enkelt
- Nettsteder
- tekstutdrag
- samfunnsmessig
- Software
- software engineering
- løsning
- Solutions
- noen
- kilde
- Kilder
- rombasert
- spenn
- romlig
- spesialisert
- spesifikk
- spesielt
- spesifikasjoner
- spesifisert
- Spectral
- Spectrum
- firkanter
- interessenter
- Standard
- Begynn
- startet
- Trinn
- streik
- sterk
- studier
- studio
- Studer
- slik
- foreslår
- egnet
- sum
- Støtter
- overflaten
- rundt
- mistenkt
- Bærekraft
- bærekraftig
- Systemer
- Ta
- tatt
- Target
- Teknisk
- Teknologi
- Det
- De
- deres
- Dem
- deretter
- Der.
- derfor
- Disse
- de
- denne
- De
- terskel
- Gjennom
- tid
- tidkrevende
- ganger
- tidsstempel
- til
- Bil
- i dag
- verktøy
- Tog
- Transform
- prøve
- prøving og feiling
- sant
- virkelig
- tutorials
- to
- typisk
- oss
- Til syvende og sist
- underliggende
- unik
- unikt
- uønsket
- us
- bruke
- bruk sak
- bruker
- ved hjelp av
- validering
- verdi
- Verdier
- variasjoner
- variasjon
- ulike
- vertikaler
- synlig
- visualisering
- var
- Avfall
- bølgelengder
- Vei..
- we
- web
- webtjenester
- VI VIL
- hvilken
- mens
- vil
- med
- innenfor
- Arbeid
- arbeidet
- virker
- ville
- vikle
- X
- år
- rentene
- du
- Din
- zephyrnet