الميثان (CH4) هو أحد الغازات الدفيئة البشرية الرئيسية، وهو منتج ثانوي لاستخراج النفط والغاز، واستخراج الفحم، وتربية الحيوانات على نطاق واسع، والتخلص من النفايات، من بين مصادر أخرى. إمكانات ظاهرة الاحتباس الحراري CH4 هو 86 مرة من ثاني أكسيد الكربون وتشير تقديرات الهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC) إلى ذلك والميثان مسؤول عن 30% من الاحتباس الحراري الملحوظ حتى الآن. ويمثل الحد بسرعة من تسرب غاز الميثان في الغلاف الجوي عنصرا حاسما في مكافحة تغير المناخ. في عام 4، قدمت الأمم المتحدة التعهد العالمي بشأن الميثان في مؤتمر تغير المناخ (COP26)، بهدف اتخاذ "إجراءات سريعة بشأن غاز الميثان للحفاظ على مستقبل 1.5 درجة مئوية في متناول اليد". التعهد لديه 150 الموقعين بما في ذلك الولايات المتحدة والاتحاد الأوروبي.

يعد الاكتشاف المبكر والمراقبة المستمرة لمصادر غاز الميثان عنصرًا أساسيًا في اتخاذ إجراءات هادفة بشأن غاز الميثان، وبالتالي أصبح مصدر قلق لواضعي السياسات والمنظمات على حدٍ سواء. تنفيذ حلول فعالة وبأسعار معقولة للكشف عن الميثان على نطاق واسع - مثل أجهزة كشف الميثان في الموقع أو مطياف محمول على الطائرات - يمثل تحديًا، لأنه غالبًا ما يكون غير عملي أو باهظ التكلفة. ومن ناحية أخرى، يمكن للاستشعار عن بعد باستخدام الأقمار الصناعية أن يوفر وظيفة الكشف على نطاق عالمي وعالية التردد وفعالة من حيث التكلفة التي يرغب فيها أصحاب المصلحة.

في منشور المدونة هذا، نعرض لك كيف يمكنك استخدامه صور القمر الصناعي Sentinel 2 المستضافة في سجل AWS للبيانات المفتوحة بالاشتراك مع قدرات Amazon SageMaker الجغرافية المكانية لاكتشاف المصادر النقطية لانبعاثات الميثان ومراقبتها مع مرور الوقت. بالاعتماد على النتائج الأخيرة من أدبيات مراقبة الأرض سوف تتعلم كيف يمكنك تنفيذ خوارزمية مخصصة للكشف عن غاز الميثان واستخدامها لاكتشاف ومراقبة تسرب غاز الميثان من مجموعة متنوعة من المواقع في جميع أنحاء العالم. تتضمن هذه المشاركة الكود المصاحب على جيثب الذي يوفر تفاصيل فنية إضافية ويساعدك على البدء في حل مراقبة غاز الميثان الخاص بك.

تقليديا، كان إجراء التحليلات الجغرافية المكانية المعقدة مهمة صعبة، وتستغرق وقتا طويلا، وتستهلك الكثير من الموارد. قدرات Amazon SageMaker الجغرافية المكانية تسهيل قيام علماء البيانات ومهندسي التعلم الآلي ببناء النماذج وتدريبها ونشرها باستخدام البيانات الجغرافية المكانية. باستخدام إمكانات SageMaker الجغرافية المكانية، يمكنك تحويل أو إثراء مجموعات البيانات الجغرافية المكانية واسعة النطاق بكفاءة، وتسريع بناء النماذج باستخدام نماذج التعلم الآلي (ML) المدربة مسبقًا، واستكشاف تنبؤات النماذج والبيانات الجغرافية المكانية على خريطة تفاعلية باستخدام الرسومات المسرَّعة ثلاثية الأبعاد والأدوات المدمجة. أدوات التصور.

الاستشعار عن بعد لمصادر نقطة الميثان باستخدام صور الأقمار الصناعية متعددة الأطياف

تعتمد أساليب استشعار الميثان المعتمدة على الأقمار الصناعية عادة على خصائص النفاذية الفريدة للميثان. في الطيف المرئي، يتمتع CH4 بقيم نفاذية تساوي أو تقترب من 4، مما يعني أنه لا يمكن اكتشافه بالعين المجردة. ومع ذلك، عبر أطوال موجية معينة، يمتص الميثان الضوء (النفاذية أقل من 1)، وهي خاصية يمكن استغلالها لأغراض الكشف. لهذا، عادةً ما يتم اختيار طيف الأشعة تحت الحمراء ذو ​​الطول الموجي القصير (SWIR) (النطاق الطيفي 1-1500 نانومتر)، وهو المكان الذي يكون فيه CH2500 أكثر قابلية للاكتشاف. تغطي مهمات الأقمار الصناعية المفرطة والمتعددة الأطياف (أي تلك التي تحتوي على أدوات بصرية تلتقط بيانات الصورة ضمن نطاقات (نطاقات) أطوال موجية متعددة عبر الطيف الكهرومغناطيسي) نطاقات SWIR هذه وبالتالي تمثل أدوات كشف محتملة. يوضح الشكل 4 خصائص نفاذية الميثان في طيف SWIR وتغطية SWIR لمختلف الأدوات الساتلية متعددة الأطياف المرشحة (مقتبسة من دراسة).

الشكل 1 - خصائص نفاذية الميثان في طيف SWIR وتغطية مهمات Sentinel-2 متعددة الأطياف

العديد من مهمات الأقمار الصناعية متعددة الأطياف تكون محدودة إما بسبب تردد الزيارة المنخفض (على سبيل المثال، بريسما الفائق الطيفي في حوالي 16 يومًا) أو بدقة مكانية منخفضة (على سبيل المثال، الحارس 5 على مسافة 7.5 كم × 7.5 كم). وتشكل تكلفة الوصول إلى البيانات تحديًا إضافيًا: تعمل بعض الكوكبات المخصصة كبعثات تجارية، مما قد يجعل الرؤى المتعلقة بانبعاثات الميثان أقل سهولة للباحثين وصناع القرار والأطراف المعنية الأخرى بسبب القيود المالية. وكالة الفضاء الأوروبية مهمة Sentinel-2 متعددة الأطياف، الذي يعتمد عليه هذا الحل، يحقق توازنًا مناسبًا بين معدل إعادة الزيارة (حوالي 5 أيام)، والدقة المكانية (حوالي 20 مترًا) والوصول المفتوح (المستضاف على الموقع) سجل AWS للبيانات المفتوحة).

يحتوي Sentinel-2 على نطاقين يغطيان طيف SWIR (بدقة 20 مترًا): النطاق 11 (الطول الموجي المركزي 1610 نانومتر) والنطاق 12 (الطول الموجي المركزي 2190 نانومتر). كلا النطاقين مناسبان للكشف عن غاز الميثان، في حين أن النطاق 12 يتمتع بحساسية أعلى بكثير لامتصاص الميثان (انظر الشكل 4). بديهيًا، هناك طريقتان محتملتان لاستخدام بيانات انعكاس SWIR هذه للكشف عن غاز الميثان. أولاً، يمكنك التركيز على نطاق SWIR واحد فقط (يُفضل النطاق الأكثر حساسية لامتصاص CH1) وحساب الفرق في الانعكاس لكل بكسل على حدة عبر ممرين مختلفين للأقمار الصناعية. وبدلاً من ذلك، يمكنك استخدام البيانات من ممر قمر صناعي واحد للكشف باستخدام نطاقي SWIR الطيفيين المتجاورين اللذين لهما خصائص انعكاس سطحية وانعكاسية متشابهة ولكن لهما خصائص مختلفة لامتصاص الميثان.

تجمع طريقة الكشف التي نطبقها في منشور المدونة هذا بين كلا الطريقتين. نحن نعتمد على النتائج الأخيرة من أدبيات مراقبة الأرض وحساب التغير الجزئي في انعكاس أعلى الغلاف الجوي (TOA) Δρ (أي الانعكاس المقاس بواسطة Sentinel-2 بما في ذلك المساهمات من الهباء الجوي والغازات) بين ممرين ساتلين ونطاقي SWIR؛ ممر أساسي واحد حيث لا يوجد ميثان (قاعدة) وممر مراقبة واحد حيث يشتبه في وجود مصدر نقطة ميثان نشط (شاشة). رياضيا يمكن التعبير عن ذلك على النحو التالي:

المعادلة (1)

حيث ρ هو انعكاس TOA كما تم قياسه بواسطة Sentinel-2، c^مراقب و ج^قاعدة يتم حسابها من خلال تراجع قيم انعكاس TOA للنطاق 12 مقابل قيم النطاق 11 عبر المشهد بأكمله (أي ρ_b11 = ج * ρ_b12). لمزيد من التفاصيل، راجع هذه الدراسة حول مراقبة عالية التردد لمصادر نقاط الميثان الشاذة باستخدام عمليات رصد الأقمار الصناعية Sentinel-2 متعددة الأطياف.

تنفيذ خوارزمية الكشف عن غاز الميثان باستخدام إمكانيات SageMaker الجغرافية المكانية

لتنفيذ خوارزمية الكشف عن غاز الميثان، نستخدم دفتر SageMaker الجغرافي المكاني داخل Amazon SageMaker Studio. تم تجهيز نواة دفتر الملاحظات الجغرافية المكانية مسبقًا بالمكتبات الجغرافية المكانية الأساسية مثل جدال, جيوباندا, جميل, الأشعة السينيةو راستريومما يتيح التصور المباشر ومعالجة البيانات الجغرافية المكانية داخل بيئة دفتر ملاحظات Python. انظر دليل البداية للتعرف على كيفية البدء في استخدام إمكانيات SageMaker الجغرافية المكانية.

يوفر SageMaker برنامجًا مصممًا لهذا الغرض API مصممة لتسهيل استرجاع صور الأقمار الصناعية من خلال واجهة موحدة باستخدام SearchRasterDataCollection استدعاء API. SearchRasterDataCollection يعتمد على معلمات الإدخال التالية:

• Arn: اسم مورد Amazon (ARN) لمجموعة البيانات النقطية التي تم الاستعلام عنها
• AreaOfInterest: كائن مضلع (بتنسيق GeoJSON) يمثل المنطقة محل الاهتمام لاستعلام البحث
• TimeRangeFilter: يحدد النطاق الزمني للفائدة، المشار إليه باسم {StartTime: <string>, EndTime: <string>}
• PropertyFilters: يمكن أيضًا دمج مرشحات الخصائص التكميلية، مثل مواصفات الحد الأقصى للغطاء السحابي المقبول

تدعم هذه الطريقة الاستعلام من مصادر البيانات النقطية المختلفة التي يمكن استكشافها عن طريق الاتصال ListRasterDataCollections. يستخدم تنفيذ الكشف عن غاز الميثان لدينا صور القمر الصناعي سنتينل-2، والتي يمكن الرجوع إليها عالميًا باستخدام ARN التالي: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

يمثل ARN هذا صور Sentinel-2، والتي تمت معالجتها إلى المستوى 2A (الانعكاس السطحي، المصحح للغلاف الجوي). لأغراض الكشف عن غاز الميثان، سوف نستخدم بيانات الانعكاس أعلى الغلاف الجوي (TOA) (المستوى 1C)، والتي لا تتضمن تصحيحات الغلاف الجوي على مستوى السطح والتي من شأنها أن تجعل التغييرات في تكوين الهباء الجوي وكثافته (أي تسرب الميثان) غير قابلة للاكتشاف. .

لتحديد الانبعاثات المحتملة من مصدر نقطة محدد، نحتاج إلى معلمتين للإدخال: إحداثيات المصدر النقطي المشتبه فيه وطابع زمني محدد لرصد انبعاثات الميثان. بالنظر إلى أن SearchRasterDataCollection تستخدم واجهة برمجة التطبيقات (API) المضلعات أو المضلعات المتعددة لتحديد منطقة الاهتمام (AOI)، ويتضمن نهجنا توسيع إحداثيات النقطة في مربع محيط أولاً ثم استخدام هذا المضلع للاستعلام عن صور Sentinel-2 باستخدام SearchRasterDateCollection.

في هذا المثال، نراقب تسرب غاز الميثان المعروف من أحد حقول النفط في شمال أفريقيا. هذه حالة تحقق قياسية في أدبيات الاستشعار عن بعد ويتم الرجوع إليها، على سبيل المثال، في  يذاكر. يتم توفير قاعدة التعليمات البرمجية القابلة للتنفيذ بالكامل على amazon-sagemaker -amples GitHub مستودع. نسلط الضوء هنا على أقسام التعليمات البرمجية المحددة فقط والتي تمثل العناصر الأساسية لتنفيذ حل الكشف عن غاز الميثان باستخدام إمكانات SageMaker الجغرافية المكانية. راجع المستودع للحصول على تفاصيل إضافية.

نبدأ بتهيئة الإحداثيات وتاريخ مراقبة الهدف لحالة المثال.

#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

يقوم مقتطف الكود التالي بإنشاء مربع محيط لإحداثيات النقطة المحددة ثم يقوم بإجراء بحث عن صور Sentinel-2 المتاحة بناءً على المربع المحيط وتاريخ المراقبة المحدد:

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)

تحتوي الاستجابة على قائمة بعناصر Sentinel-2 المطابقة وبيانات التعريف المقابلة لها. وتشمل هذه ملفات GeoTIFF المحسنة للسحابة (COG) للجميع العصابات الحارس-2، طالما صورة مصغرة صور لمعاينة سريعة للنطاقات المرئية للصورة. وبطبيعة الحال، من الممكن أيضًا الوصول إلى صورة القمر الصناعي كاملة الدقة (مخطط RGB)، الموضحة في الشكل 2 التالي.

الشكل 2 - صورة القمر الصناعي (مؤامرة RGB) للهيئة العربية للتصنيع

كما هو مفصل سابقًا، يعتمد نهج الكشف الخاص بنا على التغييرات الكسرية في انعكاس SWIR لأعلى الغلاف الجوي (TOA). ولكي ينجح هذا، فإن تحديد خط أساس جيد أمر بالغ الأهمية. يمكن أن يصبح العثور على خط أساس جيد سريعًا عملية شاقة تتضمن الكثير من التجربة والخطأ. ومع ذلك، يمكن للاستدلالات الجيدة أن تقطع شوطا طويلا في أتمتة عملية البحث هذه. إن أسلوب البحث الذي نجح بشكل جيد في الحالات التي تم التحقيق فيها في الماضي هو كما يلي: في الماضي day_offset=n أيام، واسترجاع جميع صور القمر الصناعي، وإزالة أي سحب وقص الصورة إلى AOI في النطاق. ثم قم بحساب متوسط ​​انعكاس النطاق 12 عبر AOI. قم بإرجاع معرف بلاط Sentinel للصورة ذات أعلى متوسط ​​انعكاس في النطاق 12.

يتم تنفيذ هذا المنطق في مقتطف التعليمات البرمجية التالي. ويعتمد منطقها على حقيقة أن النطاق 12 حساس للغاية لامتصاص الميثان (انظر الشكل 4). ويقابل متوسط ​​قيمة الانعكاس الأكبر امتصاصًا أقل من مصادر مثل انبعاثات الميثان، وبالتالي يوفر مؤشرًا قويًا لمشهد أساسي خالٍ من الانبعاثات.

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)

يتيح لنا استخدام هذه الطريقة تقريب تاريخ خط الأساس المناسب ومعرف بلاط Sentinel-2 المقابل. تحمل معرفات تجانب Sentinel-2 معلومات عن معرف المهمة (Sentinel-2A/Sentinel-2B)، ورقم التجانب الفريد (مثل 32SKA)، وتاريخ التقاط الصورة من بين معلومات أخرى وتحديد الملاحظة بشكل فريد (أي ، مشهد). في مثالنا، تقترح عملية التقريب 6 أكتوبر 2019 (لوحة Sentinel-2: S2B_32SKA_20191006_0_L2A)، باعتباره المرشح الأساسي الأكثر ملاءمة.

بعد ذلك، يمكننا حساب التغير الجزئي المصحح في الانعكاس بين تاريخ خط الأساس والتاريخ الذي نرغب في مراقبته. يمكن حساب عوامل التصحيح c (انظر المعادلة 1 السابقة) بالرمز التالي:

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]

يرد التنفيذ الكامل للمعادلة 1 في مقتطف الكود التالي:

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

أخيرًا، يمكننا دمج الطرق المذكورة أعلاه في روتين شامل يحدد AOI لخط طول وخط عرض معين، وتاريخ المراقبة وبلاط خط الأساس، ويحصل على صور القمر الصناعي المطلوبة، وينفذ حساب تغيير الانعكاس الجزئي.

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

يؤدي تشغيل هذه الطريقة مع المعلمات التي حددناها سابقًا إلى التغيير الجزئي في انعكاس SWIR TOA باعتباره xarray.DataArray. يمكننا إجراء أول فحص بصري للنتيجة عن طريق تشغيل عملية بسيطة plot() الاستدعاء على مجموعة البيانات هذه. تكشف طريقتنا عن وجود عمود غاز الميثان في وسط AOI والذي لم يكن من الممكن اكتشافه في مخطط RGB الذي شوهد سابقًا.

الشكل 3 - تغير الانعكاس الجزئي في انعكاس TOA (طيف SWIR)

كخطوة أخيرة، نقوم باستخراج عمود الميثان الذي تم تحديده وتراكبه على صورة القمر الصناعي RGB الأولية لتوفير السياق الجغرافي المهم. ويتم تحقيق ذلك عن طريق العتبة، والتي يمكن تنفيذها كما هو موضح في ما يلي:

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

بالنسبة لحالتنا، فإن عتبة التغيير الجزئي في الانعكاس البالغة -0.02 تؤدي إلى نتائج جيدة ولكن هذا يمكن أن يتغير من مشهد إلى آخر وسيتعين عليك معايرة ذلك لحالة الاستخدام المحددة الخاصة بك. ويوضح الشكل 4 التالي كيفية إنشاء تراكب العمود من خلال الجمع بين صورة القمر الصناعي الأولية لـ AOI مع العمود المقنع في صورة مركبة واحدة تُظهر عمود الميثان في سياقه الجغرافي.

الشكل 4 - صورة RGB وتغيير الانعكاس الجزئي في انعكاس TOA (طيف SWIR)، وتراكب عمود الميثان لـ AOI

التحقق من صحة الحل مع أحداث انبعاث الميثان في العالم الحقيقي

كخطوة أخيرة، نقوم بتقييم طريقتنا لقدرتها على اكتشاف وتحديد تسربات غاز الميثان بشكل صحيح من مجموعة من المصادر والمناطق الجغرافية. أولاً، نستخدم تجربة إطلاق غاز الميثان الخاضعة للرقابة والمصممة خصيصًا لـ التحقق من صحة الكشف عن المصادر الفضائية وتحديد كمية انبعاثات الميثان البرية. في تجربة عام 2021 هذه، أجرى الباحثون عدة إطلاقات لغاز الميثان في إهرنبيرج بولاية أريزونا على مدار 19 يومًا. يؤدي تشغيل طريقة الكشف الخاصة بنا لأحد ممرات Sentinel-2 خلال وقت تلك التجربة إلى النتيجة التالية التي توضح عمود الميثان:

الشكل 5 - شدة عمود الميثان في تجربة الإطلاق الخاضعة للرقابة في ولاية أريزونا

يتم تحديد العمود الناتج أثناء الإطلاق المتحكم فيه بوضوح من خلال طريقة الكشف الخاصة بنا. وينطبق الشيء نفسه على التسريبات الأخرى المعروفة في العالم الحقيقي (في الشكل 6 التالي) من مصادر مثل مكب النفايات في شرق آسيا (يسار) أو منشأة للنفط والغاز في أمريكا الشمالية (يمين).

الشكل 6 - شدة عمود الميثان في مكب النفايات في شرق آسيا (يسار) وحقل النفط والغاز في أمريكا الشمالية (يمين)

باختصار، يمكن أن تساعد طريقتنا في تحديد انبعاثات غاز الميثان من الإطلاقات الخاضعة للرقابة ومن مصادر مختلفة في العالم الحقيقي في جميع أنحاء العالم. يعمل هذا بشكل أفضل مع المصادر الساحلية ذات النباتات المحيطة المحدودة. لا يعمل للمشاهد الخارجية بسبب الامتصاص العالي (أي النفاذية المنخفضة) لطيف SWIR بواسطة الماء. وبالنظر إلى أن خوارزمية الكشف المقترحة تعتمد على الاختلافات في كثافة الميثان، فإن طريقتنا تتطلب أيضًا ملاحظات ما قبل التسرب. وهذا يمكن أن يجعل مراقبة التسربات بمعدلات انبعاث ثابتة أمرًا صعبًا.

تنظيف

لتجنب تكبد رسوم غير مرغوب فيها بعد اكتمال مهمة مراقبة الميثان، تأكد من إنهاء مثيل SageMaker وحذف أي ملفات محلية غير مرغوب فيها.

وفي الختام

من خلال الجمع بين إمكانات SageMaker الجغرافية المكانية ومصادر البيانات الجغرافية المكانية المفتوحة، يمكنك تنفيذ حلول المراقبة عن بعد المخصصة للغاية على نطاق واسع. ركزت هذه المدونة على الكشف عن غاز الميثان، وهو مجال محوري للحكومات والمنظمات غير الحكومية والمنظمات الأخرى التي تسعى إلى اكتشاف انبعاثات الميثان الضارة وتجنبها في نهاية المطاف. يمكنك البدء اليوم في رحلتك الخاصة إلى التحليلات الجغرافية المكانية عن طريق تشغيل جهاز كمبيوتر محمول باستخدام النواة الجغرافية المكانية SageMaker وتنفيذ حل الكشف الخاص بك. انظر مستودع جيثب للبدء في إنشاء حل خاص بك للكشف عن غاز الميثان عبر الأقمار الصناعية. تحقق أيضا من أمثلة على صانع الحكيم مستودع لمزيد من الأمثلة والبرامج التعليمية حول كيفية استخدام إمكانات SageMaker الجغرافية المكانية في تطبيقات الاستشعار عن بعد الأخرى في العالم الحقيقي.

عن المؤلفين

الدكتور كارستن شروير هو مهندس حلول في AWS. إنه يدعم العملاء في الاستفادة من البيانات والتكنولوجيا لدفع استدامة البنية التحتية لتكنولوجيا المعلومات الخاصة بهم وبناء حلول تعتمد على البيانات السحابية الأصلية والتي تمكن العمليات المستدامة في القطاعات الخاصة بهم. انضم Karsten إلى AWS بعد حصوله على درجة الدكتوراه في التعلم الآلي التطبيقي وإدارة العمليات. إنه شغوف حقًا بالحلول المدعومة بالتكنولوجيا للتحديات المجتمعية ويحب التعمق في الأساليب وبنيات التطبيقات التي تكمن وراء هذه الحلول.

يانوش فوشيتز هو أحد كبار مهندسي الحلول في AWS، وهو متخصص في الذكاء الاصطناعي/تعلم الآلة الجغرافي المكاني. ومع أكثر من 15 عامًا من الخبرة، فهو يدعم العملاء على مستوى العالم في الاستفادة من الذكاء الاصطناعي والتعلم الآلي للحلول المبتكرة التي تستفيد من البيانات الجغرافية المكانية. تشمل خبرته التعلم الآلي، وهندسة البيانات، والأنظمة الموزعة القابلة للتطوير، مدعومة بخلفية قوية في هندسة البرمجيات والخبرة الصناعية في المجالات المعقدة مثل القيادة الذاتية.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/