Methan (CH4) ist ein wichtiges anthropogenes Treibhausgas, das unter anderem als Nebenprodukt der Öl- und Gasförderung, des Kohlebergbaus, der Massentierhaltung und der Abfallentsorgung entsteht. Das globale Erwärmungspotenzial von CH4 ist 86-mal so groß wie CO2 und das schätzt der Zwischenstaatliche Ausschuss für Klimaänderungen (IPCC). Methan ist für 30 Prozent der bislang beobachteten globalen Erwärmung verantwortlich. Die rasche Reduzierung des Austritts von CH4 in die Atmosphäre ist eine entscheidende Komponente im Kampf gegen den Klimawandel. Im Jahr 2021 führten die Vereinten Nationen ein Das globale Methan-Versprechen auf der Klimakonferenz (COP26) mit dem Ziel, „schnelle Maßnahmen gegen Methan zu ergreifen, um eine Zukunft mit 1.5 °C in greifbarer Nähe zu halten“. Das Versprechen hat 150-Unterzeichner einschließlich der USA und der EU.

Die frühzeitige Erkennung und fortlaufende Überwachung von Methanquellen ist eine Schlüsselkomponente sinnvoller Maßnahmen zur Methanbekämpfung und wird daher für politische Entscheidungsträger und Organisationen gleichermaßen zu einem Anliegen. Implementierung erschwinglicher, effektiver Lösungen zur Methanerkennung in großem Maßstab – wie z. B. Methandetektoren vor Ort oder Flugzeugmontierte Spektrometer – ist eine Herausforderung, da sie oft unpraktisch oder unerschwinglich teuer sind. Andererseits kann die Fernerkundung mithilfe von Satelliten die globalen, hochfrequenten und kostengünstigen Erkennungsfunktionen bereitstellen, die sich die Beteiligten wünschen.

In diesem Blogbeitrag zeigen wir Ihnen, wie Sie es nutzen können Sentinel 2-Satellitenbilder, gehostet im AWS Registry of Open Data in Kombination mit Geodatenfunktionen von Amazon SageMaker um Punktquellen von CH4-Emissionen zu erkennen und sie im Laufe der Zeit zu überwachen. Malen auf Aktuelle Erkenntnisse aus der Erdbeobachtungsliteratur Sie erfahren, wie Sie einen benutzerdefinierten Methanerkennungsalgorithmus implementieren und ihn zur Erkennung und Überwachung von Methanlecks an verschiedenen Standorten auf der ganzen Welt verwenden können. Dieser Beitrag enthält Begleitcode auf GitHub Das bietet zusätzliche technische Details und hilft Ihnen beim Einstieg in Ihre eigene Methanüberwachungslösung.

Traditionell war die Durchführung komplexer Geoanalysen ein schwieriges, zeitaufwändiges und ressourcenintensives Unterfangen. Geodatenfunktionen von Amazon SageMaker Erleichtern Sie Datenwissenschaftlern und Ingenieuren für maschinelles Lernen das Erstellen, Trainieren und Bereitstellen von Modellen mithilfe von Geodaten. Mit den Geodatenfunktionen von SageMaker können Sie große Geodatensätze effizient transformieren oder anreichern, die Modellerstellung mit vorab trainierten Modellen für maschinelles Lernen (ML) beschleunigen und Modellvorhersagen und Geodaten auf einer interaktiven Karte mithilfe beschleunigter 3D-Grafiken und integrierter Funktionen erkunden Visualisierungstools.

Fernerkundung von Methan-Punktquellen mithilfe multispektraler Satellitenbilder

Satellitengestützte Ansätze zur Methanmessung basieren typischerweise auf den einzigartigen Transmissionseigenschaften von CH4. Im sichtbaren Spektrum hat CH4 Transmissionswerte von gleich oder nahe 1, was bedeutet, dass es mit bloßem Auge nicht erkennbar ist. Über bestimmte Wellenlängen hinweg absorbiert Methan jedoch Licht (Transmissionsgrad <1), eine Eigenschaft, die für Detektionszwecke ausgenutzt werden kann. Typischerweise wird hierfür das kurzwellige Infrarotspektrum (SWIR) (Spektralbereich 1500–2500 nm) gewählt, in dem CH4 am besten nachweisbar ist. Hyper- und multispektrale Satellitenmissionen (d. h. solche mit optischen Instrumenten, die Bilddaten in mehreren Wellenlängenbereichen (Bändern) des elektromagnetischen Spektrums erfassen) decken diese SWIR-Bereiche ab und stellen daher potenzielle Detektionsinstrumente dar. Abbildung 1 zeigt die Transmissionseigenschaften von Methan im SWIR-Spektrum und die SWIR-Abdeckung verschiedener multispektraler Satelliteninstrumente (adaptiert von fehlen uns die Worte. lernen).

Abbildung 1 – Transmissionseigenschaften von Methan im SWIR-Spektrum und Abdeckung von Sentinel-2-Multispektralmissionen

Viele multispektrale Satellitenmissionen sind entweder durch eine niedrige Wiederbesuchsfrequenz (z. B. PRISMA Hyperspektral nach etwa 16 Tagen) oder durch eine geringe räumliche Auflösung (z. B. Sentinel 5 bei 7.5 km x 7.5 km). Die Kosten für den Zugriff auf Daten stellen eine zusätzliche Herausforderung dar: Einige dedizierte Konstellationen werden als kommerzielle Missionen betrieben, was möglicherweise dazu führt, dass Erkenntnisse über CH4-Emissionen für Forscher, Entscheidungsträger und andere betroffene Parteien aufgrund finanzieller Zwänge weniger leicht zugänglich sind. ESAs Multispektrale Sentinel-2-Mission, auf dem diese Lösung basiert, schafft ein angemessenes Gleichgewicht zwischen Wiederbesuchsrate (ca. 5 Tage), räumlicher Auflösung (ca. 20 m) und offenem Zugang (gehostet auf dem AWS-Registrierung offener Daten).

Sentinel-2 verfügt über zwei Bänder, die das SWIR-Spektrum abdecken (bei einer Auflösung von 20 m): Band-11 (1610 nm Zentralwellenlänge) und Band-12 (2190 nm Zentralwellenlänge). Beide Bänder eignen sich für die Methandetektion, während Band 12 eine deutlich höhere Empfindlichkeit für die CH4-Absorption aufweist (siehe Abbildung 1). Intuitiv gibt es zwei mögliche Ansätze, diese SWIR-Reflexionsdaten für die Methandetektion zu verwenden. Zunächst könnten Sie sich nur auf ein einzelnes SWIR-Band konzentrieren (idealerweise dasjenige, das am empfindlichsten auf die CH4-Absorption reagiert) und den Pixel-für-Pixel-Unterschied im Reflexionsgrad über zwei verschiedene Satellitendurchgänge hinweg berechnen. Alternativ können Sie Daten von einem einzelnen Satellitendurchgang zur Erkennung verwenden, indem Sie die beiden benachbarten spektralen SWIR-Bänder verwenden, die ähnliche Oberflächen- und Aerosolreflexionseigenschaften, aber unterschiedliche Methanabsorptionseigenschaften aufweisen.

Die von uns in diesem Blogbeitrag implementierte Erkennungsmethode kombiniert beide Ansätze. Wir ziehen weiter Aktuelle Erkenntnisse aus der Erdbeobachtungsliteratur und berechnen Sie die fraktionelle Änderung des Reflexionsgrads Δρ in der oberen Atmosphäre (TOA) (d. h. des von Sentinel-2 gemessenen Reflexionsgrads, einschließlich Beiträgen von atmosphärischen Aerosolen und Gasen) zwischen zwei Satellitendurchgängen und den beiden SWIR-Bändern; ein Basisliniendurchgang, bei dem kein Methan vorhanden ist (Basis), und ein Überwachungsdurchgang, bei dem eine aktive Methanpunktquelle vermutet wird (Monitor). Mathematisch lässt sich dies wie folgt ausdrücken:

Gleichung (1)

wobei ρ das TOA-Reflexionsvermögen ist, gemessen mit Sentinel-2, c^Monitor und c^Base werden durch Regression der TOA-Reflexionswerte von Band-12 mit denen von Band-11 über die gesamte Szene (d. h. ρ) berechnet_b11 = c * ρ_b12). Weitere Einzelheiten finden Sie in dieser Studie unter Hochfrequenzüberwachung anomaler Methan-Punktquellen mit multispektralen Sentinel-2-Satellitenbeobachtungen.

Implementieren Sie einen Methanerkennungsalgorithmus mit den Geodatenfunktionen von SageMaker

Um den Methanerkennungsalgorithmus zu implementieren, verwenden wir das SageMaker-Geodatennotizbuch in Amazon SageMaker Studio. Der Geospatial-Notebook-Kernel ist mit wichtigen Geospatial-Bibliotheken vorinstalliert, z GDAL, GeoPandas, Formschön, Röntgenbild und RasterioDies ermöglicht die direkte Visualisierung und Verarbeitung von Geodaten innerhalb der Python-Notebook-Umgebung. Siehe die Erste Schritte um zu erfahren, wie Sie die Geodatenfunktionen von SageMaker nutzen können.

SageMaker bietet eine speziell entwickelte Lösung API Entwickelt, um den Abruf von Satellitenbildern über eine konsolidierte Schnittstelle mithilfe von zu erleichtern SearchRasterDataCollection API-Aufruf. SearchRasterDataCollection stützt sich auf die folgenden Eingabeparameter:

• Arn: Der Amazon-Ressourcenname (ARN) der abgefragten Raster-Datensammlung
• AreaOfInterest: Ein Polygonobjekt (im GeoJSON-Format), das den für die Suchabfrage relevanten Bereich darstellt
• TimeRangeFilter: Definiert den interessierenden Zeitbereich, bezeichnet als {StartTime: <string>, EndTime: <string>}
• PropertyFilters: Ergänzende Eigenschaftsfilter, wie z. B. Angaben zur maximal zulässigen Bewölkung, können ebenfalls eingebunden werden

Diese Methode unterstützt die Abfrage verschiedener Rasterdatenquellen, die durch Aufrufen untersucht werden können ListRasterDataCollections. Unsere Implementierung zur Methanerkennung verwendet Sentinel-2-Satellitenbilder, auf das mit dem folgenden ARN global verwiesen werden kann: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

Dieser ARN stellt Sentinel-2-Bilder dar, die auf Level 2A (Oberflächenreflexion, atmosphärisch korrigiert) verarbeitet wurden. Zur Methanerkennung werden wir Reflexionsdaten der oberen Atmosphäre (TOA) (Stufe 1C) verwenden, die nicht die atmosphärischen Korrekturen auf Oberflächenebene umfassen, die Änderungen in der Aerosolzusammensetzung und -dichte (d. h. Methanlecks) nicht nachweisbar machen würden .

Um potenzielle Emissionen aus einer bestimmten Punktquelle zu identifizieren, benötigen wir zwei Eingabeparameter: die Koordinaten der vermuteten Punktquelle und einen festgelegten Zeitstempel für die Überwachung der Methanemissionen. Angesichts dessen, dass die SearchRasterDataCollection Die API verwendet Polygone oder Multipolygone, um einen Interessenbereich (Area of ​​Interest, AOI) zu definieren. Unser Ansatz besteht darin, zunächst die Punktkoordinaten in einen Begrenzungsrahmen zu erweitern und dann dieses Polygon für die Abfrage von Sentinel-2-Bildern zu verwenden SearchRasterDateCollection.

In diesem Beispiel überwachen wir ein bekanntes Methanleck, das aus einem Ölfeld in Nordafrika stammt. Dies ist ein Standardvalidierungsfall in der Fernerkundungsliteratur und wird beispielsweise in zitiert fehlen uns die Worte. Studie. Eine vollständig ausführbare Codebasis wird auf der bereitgestellt amazon-sagemaker-Beispiele GitHub-Repository. Hier heben wir nur ausgewählte Codeabschnitte hervor, die die wichtigsten Bausteine ​​für die Implementierung einer Methanerkennungslösung mit den Geodatenfunktionen von SageMaker darstellen. Weitere Details finden Sie im Repository.

Wir beginnen mit der Initialisierung der Koordinaten und des Zielüberwachungsdatums für den Beispielfall.

#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

Der folgende Codeausschnitt generiert einen Begrenzungsrahmen für die angegebenen Punktkoordinaten und führt dann eine Suche nach den verfügbaren Sentinel-2-Bildern basierend auf dem Begrenzungsrahmen und dem angegebenen Überwachungsdatum durch:

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)

Die Antwort enthält eine Liste übereinstimmender Sentinel-2-Elemente und deren entsprechende Metadaten. Diese beinhalten Cloud-optimierte GeoTIFFs (COG) für alle Sentinel-2-Bänder, sowie Daumennagel Bilder für eine schnelle Vorschau der visuellen Streifen des Bildes. Natürlich ist es auch möglich, auf das Satellitenbild in voller Auflösung (RGB-Plot) zuzugreifen, wie in Abbildung 2 dargestellt.

Abbildung 2 – Satellitenbild (RGB-Plot) von AOI

Wie bereits erläutert, basiert unser Detektionsansatz auf fraktionellen Änderungen des SWIR-Reflexionsvermögens in der oberen Atmosphäre (TOA). Damit dies funktioniert, ist die Identifizierung einer guten Basislinie von entscheidender Bedeutung. Das Finden einer guten Ausgangsbasis kann schnell zu einem langwierigen Prozess werden, der viele Versuche und Irrtümer erfordert. Gute Heuristiken können jedoch einen großen Beitrag zur Automatisierung dieses Suchprozesses leisten. Eine Suchheuristik, die für in der Vergangenheit untersuchte Fälle gut funktioniert hat, lautet wie folgt: für die Vergangenheit day_offset=n Tage, rufen Sie alle Satellitenbilder ab, entfernen Sie alle Wolken und schneiden Sie das Bild auf den AOI im Zielfernrohr zu. Berechnen Sie dann den durchschnittlichen Band-12-Reflexionsgrad im gesamten AOI. Gibt die Sentinel-Kachel-ID des Bildes mit dem höchsten durchschnittlichen Reflexionsgrad in Band 12 zurück.

Diese Logik wird im folgenden Codeauszug implementiert. Der Grund dafür liegt in der Tatsache, dass Band 12 sehr empfindlich auf die CH4-Absorption reagiert (siehe Abbildung 1). Ein höherer durchschnittlicher Reflexionswert entspricht einer geringeren Absorption aus Quellen wie Methanemissionen und liefert daher einen starken Hinweis auf eine emissionsfreie Basisszene.

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)

Mit dieser Methode können wir ein geeignetes Basisdatum und die entsprechende Sentinel-2-Kachel-ID annähern. Sentinel-2-Kachel-IDs enthalten unter anderem Informationen zur Missions-ID (Sentinel-2A/Sentinel-2B), die eindeutige Kachelnummer (z. B. 32SKA) und das Datum, an dem das Bild aufgenommen wurde, und identifizieren eine Beobachtung eindeutig (d. h , eine Szene). In unserem Beispiel schlägt der Approximationsprozess den 6. Oktober 2019 vor (Sentinel-2-Kachel: S2B_32SKA_20191006_0_L2A), als am besten geeigneter Basiskandidat.

Als Nächstes können wir die korrigierte Bruchteiländerung des Reflexionsgrads zwischen dem Basisdatum und dem Datum, das wir überwachen möchten, berechnen. Die Korrekturfaktoren c (siehe Gleichung 1 oben) können mit folgendem Code berechnet werden:

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]

Die vollständige Implementierung von Gleichung 1 ist im folgenden Codeausschnitt angegeben:

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

Schließlich können wir die oben genannten Methoden in eine End-to-End-Routine einbinden, die den AOI für einen bestimmten Längen- und Breitengrad identifiziert, das Datum und die Basislinienkachel überwacht, die erforderlichen Satellitenbilder erfasst und die Berechnung der fraktionierten Reflexionsänderung durchführt.

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

Die Ausführung dieser Methode mit den zuvor ermittelten Parametern ergibt die fraktionale Änderung des SWIR-TOA-Reflexionsvermögens als xarray.DataArray. Wir können eine erste visuelle Überprüfung des Ergebnisses durchführen, indem wir einen einfachen Vorgang ausführen plot() Aufruf für dieses Datenarray. Unsere Methode zeigt das Vorhandensein einer Methanfahne im Zentrum des AOI, die im zuvor gezeigten RGB-Diagramm nicht erkennbar war.

Abbildung 3 – Fraktionale Reflexionsänderung des TOA-Reflexionsvermögens (SWIR-Spektrum)

Als letzten Schritt extrahieren wir die identifizierte Methanfahne und überlagern sie mit einem rohen RGB-Satellitenbild, um den wichtigen geografischen Kontext bereitzustellen. Dies wird durch Schwellenwertbildung erreicht, die wie folgt implementiert werden kann:

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

In unserem Fall liefert ein Schwellenwert von -0.02 Bruchteilen der Reflexionsänderung gute Ergebnisse, aber dies kann sich von Szene zu Szene ändern und Sie müssen dies für Ihren spezifischen Anwendungsfall kalibrieren. Die folgende Abbildung 4 zeigt, wie die Überlagerung der Methanwolke durch die Kombination des Rohsatellitenbilds des AOI mit der maskierten Wolke in einem einzigen zusammengesetzten Bild erzeugt wird, das die Methanfahne in ihrem geografischen Kontext zeigt.

Abbildung 4 – RGB-Bild, fraktionierte Reflexionsänderung des TOA-Reflexionsvermögens (SWIR-Spektrum) und Methanfahnenüberlagerung für AOI

Lösungsvalidierung mit realen Methanemissionsereignissen

Als letzten Schritt bewerten wir unsere Methode auf ihre Fähigkeit, Methanlecks aus verschiedenen Quellen und Regionen korrekt zu erkennen und zu lokalisieren. Zunächst verwenden wir ein Experiment zur kontrollierten Methanfreisetzung, das speziell dafür entwickelt wurde Validierung der weltraumgestützten Punktquellenerkennung und Quantifizierung von Methanemissionen an Land. In diesem Experiment aus dem Jahr 2021 führten Forscher über einen Zeitraum von 19 Tagen mehrere Methanfreisetzungen in Ehrenberg, Arizona, durch. Die Ausführung unserer Detektionsmethode für einen der Sentinel-2-Durchgänge während der Zeit dieses Experiments führt zu folgendem Ergebnis, das eine Methanfahne zeigt:

Abbildung 5 – Methanfahnenintensitäten für das Arizona Controlled Release Experiment

Die bei der kontrollierten Freisetzung entstehende Wolke wird durch unsere Nachweismethode eindeutig identifiziert. Das Gleiche gilt für andere bekannte reale Lecks (in Abbildung 6 unten) aus Quellen wie einer Mülldeponie in Ostasien (links) oder einer Öl- und Gasanlage in Nordamerika (rechts).

Abbildung 6 – Methanfahnenintensitäten für eine ostasiatische Deponie (links) und ein Öl- und Gasfeld in Nordamerika (rechts)

Zusammenfassend lässt sich sagen, dass unsere Methode dabei helfen kann, Methanemissionen sowohl aus kontrollierten Freisetzungen als auch aus verschiedenen realen Punktquellen auf der ganzen Welt zu identifizieren. Dies funktioniert am besten für Punktquellen an Land mit begrenzter umgebender Vegetation. Aus diesem Grund funktioniert es nicht für Offshore-Szenen die hohe Absorption (d. h. niedrige Transmission) des SWIR-Spektrums durch Wasser. Da der vorgeschlagene Erkennungsalgorithmus auf Schwankungen der Methanintensität beruht, erfordert unsere Methode auch Beobachtungen vor dem Leck. Dies kann die Überwachung von Leckagen bei konstanten Emissionsraten zu einer Herausforderung machen.

Aufräumen

Um zu vermeiden, dass nach Abschluss eines Methanüberwachungsauftrags unerwünschte Gebühren anfallen, stellen Sie sicher, dass Sie die SageMaker-Instanz beenden und alle unerwünschten lokalen Dateien löschen.

Zusammenfassung

Durch die Kombination der Geodatenfunktionen von SageMaker mit offenen Geodatenquellen können Sie Ihre eigenen hochgradig angepassten Fernüberwachungslösungen im großen Maßstab implementieren. Dieser Blogbeitrag konzentrierte sich auf die Erkennung von Methan, einem Schwerpunktbereich für Regierungen, NGOs und andere Organisationen, die schädliche Methanemissionen erkennen und letztendlich vermeiden möchten. Sie können noch heute mit Ihrer eigenen Reise in die Geodatenanalyse beginnen, indem Sie ein Notebook mit dem Geodatenkernel von SageMaker erstellen und Ihre eigene Erkennungslösung implementieren. Siehe die GitHub-Repository um mit dem Aufbau Ihrer eigenen satellitengestützten Methanerkennungslösung zu beginnen. Schauen Sie sich auch die an Sagemaker-Beispiele Weitere Beispiele und Tutorials zur Verwendung der Geodatenfunktionen von SageMaker in anderen realen Fernerkundungsanwendungen finden Sie im Repository.

Über die Autoren

Dr. Karsten Schroer ist Lösungsarchitekt bei AWS. Er unterstützt Kunden bei der Nutzung von Daten und Technologie, um die Nachhaltigkeit ihrer IT-Infrastruktur voranzutreiben und Cloud-native datengesteuerte Lösungen zu entwickeln, die einen nachhaltigen Betrieb in ihren jeweiligen Branchen ermöglichen. Karsten kam nach seinem PhD-Studium in angewandtem maschinellem Lernen und Betriebsmanagement zu AWS. Er ist wirklich begeistert von technologiegestützten Lösungen für gesellschaftliche Herausforderungen und liebt es, tief in die Methoden und Anwendungsarchitekturen einzutauchen, die diesen Lösungen zugrunde liegen.

Janosch Woschitz ist Senior Solutions Architect bei AWS und auf Geodaten-KI/ML spezialisiert. Mit über 15 Jahren Erfahrung unterstützt er Kunden weltweit bei der Nutzung von KI und ML für innovative Lösungen, die Geodaten nutzen. Seine Fachkenntnisse umfassen maschinelles Lernen, Datentechnik und skalierbare verteilte Systeme, ergänzt durch einen fundierten Hintergrund in der Softwareentwicklung und Branchenexpertise in komplexen Bereichen wie dem autonomen Fahren.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/