मीथेन (CH4) एक प्रमुख मानवजनित ग्रीनहाउस गैस है जो अन्य स्रोतों के अलावा तेल और गैस निष्कर्षण, कोयला खनन, बड़े पैमाने पर पशु पालन और अपशिष्ट निपटान का उप-उत्पाद है। की ग्लोबल वार्मिंग क्षमता CH4, CO86 से 2 गुना अधिक है और जलवायु परिवर्तन पर अंतर सरकारी पैनल (आईपीसीसी) का अनुमान है आज तक देखी गई 30 प्रतिशत ग्लोबल वार्मिंग के लिए मीथेन जिम्मेदार है. वायुमंडल में CH4 के रिसाव को तेजी से कम करना जलवायु परिवर्तन के खिलाफ लड़ाई में एक महत्वपूर्ण घटक का प्रतिनिधित्व करता है। 2021 में, संयुक्त राष्ट्र ने पेश किया वैश्विक मीथेन प्रतिज्ञा जलवायु परिवर्तन सम्मेलन (COP26) में, "1.5C भविष्य को पहुंच में रखने के लिए मीथेन पर तेजी से कार्रवाई" करने के लक्ष्य के साथ। प्रतिज्ञा है 150 हस्ताक्षरकर्ता जिसमें अमेरिका और यूरोपीय संघ भी शामिल हैं।

मीथेन स्रोतों का शीघ्र पता लगाना और चल रही निगरानी मीथेन पर सार्थक कार्रवाई का एक प्रमुख घटक है और इसलिए यह नीति निर्माताओं और संगठनों के लिए चिंता का विषय बन रहा है। बड़े पैमाने पर किफायती, प्रभावी मीथेन पहचान समाधान लागू करना - जैसे ऑन-साइट मीथेन डिटेक्टर या विमान पर लगे स्पेक्ट्रोमीटर - चुनौतीपूर्ण है, क्योंकि वे अक्सर अव्यावहारिक या निषेधात्मक रूप से महंगे होते हैं। दूसरी ओर, उपग्रहों का उपयोग करके रिमोट सेंसिंग वैश्विक स्तर, उच्च-आवृत्ति और लागत प्रभावी पहचान कार्यक्षमता प्रदान कर सकती है जो हितधारक चाहते हैं।

इस ब्लॉग पोस्ट में, हम आपको दिखाते हैं कि आप इसका उपयोग कैसे कर सकते हैं सेंटिनल 2 उपग्रह इमेजरी ओपन डेटा की AWS रजिस्ट्री पर होस्ट की गई के साथ सम्मिलन में Amazon SageMaker की भू-स्थानिक क्षमताएं CH4 उत्सर्जन के बिंदु स्रोतों का पता लगाना और समय के साथ उनकी निगरानी करना। पर बैठक पृथ्वी अवलोकन साहित्य से हाल के निष्कर्ष आप सीखेंगे कि आप कस्टम मीथेन डिटेक्शन एल्गोरिदम को कैसे कार्यान्वित कर सकते हैं और इसका उपयोग दुनिया भर में विभिन्न साइटों से मीथेन रिसाव का पता लगाने और निगरानी करने के लिए कर सकते हैं। इस पोस्ट में शामिल है GitHub पर कोड के साथ जो अतिरिक्त तकनीकी विवरण प्रदान करता है और आपको अपने स्वयं के मीथेन निगरानी समाधान के साथ आरंभ करने में मदद करता है।

परंपरागत रूप से, जटिल भू-स्थानिक विश्लेषण चलाना एक कठिन, समय लेने वाला और संसाधन-गहन उपक्रम था। Amazon SageMaker की भू-स्थानिक क्षमताएं डेटा वैज्ञानिकों और मशीन लर्निंग इंजीनियरों के लिए भू-स्थानिक डेटा का उपयोग करके मॉडल बनाना, प्रशिक्षित करना और तैनात करना आसान बनाएं। सेजमेकर भू-स्थानिक क्षमताओं का उपयोग करके, आप बड़े पैमाने पर भू-स्थानिक डेटासेट को कुशलतापूर्वक बदल सकते हैं या समृद्ध कर सकते हैं, पूर्व-प्रशिक्षित मशीन लर्निंग (एमएल) मॉडल के साथ मॉडल निर्माण में तेजी ला सकते हैं, और 3 डी त्वरित ग्राफिक्स और अंतर्निहित का उपयोग करके एक इंटरैक्टिव मानचित्र पर मॉडल भविष्यवाणियों और भू-स्थानिक डेटा का पता लगा सकते हैं। विज़ुअलाइज़ेशन उपकरण.

मल्टीस्पेक्ट्रल उपग्रह इमेजरी का उपयोग करके मीथेन बिंदु स्रोतों की रिमोट सेंसिंग

सैटेलाइट-आधारित मीथेन सेंसिंग दृष्टिकोण आमतौर पर CH4 की अद्वितीय संप्रेषण विशेषताओं पर निर्भर करते हैं। दृश्यमान स्पेक्ट्रम में, CH4 का संप्रेषण मान 1 के बराबर या उसके करीब है, जिसका अर्थ है कि यह नग्न आंखों से पता नहीं चल पाता है। हालाँकि, कुछ निश्चित तरंग दैर्ध्य में, मीथेन प्रकाश (संचारण <1) को अवशोषित करता है, एक ऐसी संपत्ति जिसका पता लगाने के उद्देश्यों के लिए उपयोग किया जा सकता है। इसके लिए, लघु तरंग दैर्ध्य अवरक्त (एसडब्ल्यूआईआर) स्पेक्ट्रम (1500-2500 एनएम वर्णक्रमीय रेंज) को आम तौर पर चुना जाता है, जहां सीएच4 सबसे अधिक पता लगाने योग्य होता है। हाइपर- और मल्टीस्पेक्ट्रल उपग्रह मिशन (अर्थात, ऑप्टिकल उपकरणों वाले जो विद्युत चुम्बकीय स्पेक्ट्रम में कई तरंग दैर्ध्य रेंज (बैंड) के भीतर छवि डेटा कैप्चर करते हैं) इन SWIR रेंज को कवर करते हैं और इसलिए संभावित पहचान उपकरणों का प्रतिनिधित्व करते हैं। चित्र 1 SWIR स्पेक्ट्रम में मीथेन की संप्रेषण विशेषताओं और विभिन्न उम्मीदवार मल्टीस्पेक्ट्रल उपग्रह उपकरणों के SWIR कवरेज को दर्शाता है (से अनुकूलित) इसका अध्ययन)।

चित्र 1 - एसडब्ल्यूआईआर स्पेक्ट्रम में मीथेन की संप्रेषण विशेषताएँ और सेंटिनल-2 मल्टी-स्पेक्ट्रल मिशनों का कवरेज

कई मल्टीस्पेक्ट्रल उपग्रह मिशन या तो कम पुनरीक्षण आवृत्ति द्वारा सीमित हैं (उदाहरण के लिए, प्रिज्मा हाइपरस्पेक्ट्रल लगभग 16 दिनों पर) या कम स्थानिक विभेदन द्वारा (उदाहरण के लिए, प्रहरी 5 7.5 किमी x 7.5 किमी पर)। डेटा तक पहुँचने की लागत एक अतिरिक्त चुनौती है: कुछ समर्पित तारामंडल वाणिज्यिक मिशन के रूप में काम करते हैं, जो संभावित रूप से वित्तीय बाधाओं के कारण शोधकर्ताओं, निर्णय निर्माताओं और अन्य संबंधित पक्षों के लिए CH4 उत्सर्जन अंतर्दृष्टि को कम आसानी से उपलब्ध कराते हैं। ईएसए का सेंटिनल-2 मल्टीस्पेक्ट्रल मिशन, जिस पर यह समाधान आधारित है, पुनरीक्षण दर (लगभग 5 दिन), स्थानिक रिज़ॉल्यूशन (लगभग 20 मीटर) और खुली पहुंच (पर होस्ट किया गया) के बीच एक उचित संतुलन बनाता है। ओपन डेटा की AWS रजिस्ट्री).

सेंटिनल-2 में दो बैंड हैं जो SWIR स्पेक्ट्रम को कवर करते हैं (20 मीटर रिज़ॉल्यूशन पर): बैंड-11 (1610 एनएम केंद्रीय तरंग दैर्ध्य) और बैंड-12 (2190 एनएम केंद्रीय तरंग दैर्ध्य)। दोनों बैंड मीथेन का पता लगाने के लिए उपयुक्त हैं, जबकि बैंड-12 में सीएच4 अवशोषण के प्रति काफी अधिक संवेदनशीलता है (चित्र 1 देखें)। मीथेन का पता लगाने के लिए इस SWIR परावर्तन डेटा का उपयोग करने के लिए सहज रूप से दो संभावित दृष्टिकोण हैं। सबसे पहले, आप केवल एक SWIR बैंड (आदर्श रूप से वह जो CH4 अवशोषण के प्रति सबसे अधिक संवेदनशील है) पर ध्यान केंद्रित कर सकते हैं और दो अलग-अलग उपग्रह पासों में परावर्तन में पिक्सेल-दर-पिक्सेल अंतर की गणना कर सकते हैं। वैकल्पिक रूप से, आप दो आसन्न वर्णक्रमीय SWIR बैंड का उपयोग करके पता लगाने के लिए एकल उपग्रह पास से डेटा का उपयोग करते हैं जिनकी सतह और एरोसोल परावर्तन गुण समान होते हैं लेकिन अलग-अलग मीथेन अवशोषण विशेषताएँ होती हैं।

इस ब्लॉग पोस्ट में हम जो पता लगाने की विधि लागू करते हैं वह दोनों दृष्टिकोणों को जोड़ती है। हम आगे बढ़ते हैं पृथ्वी अवलोकन साहित्य से हाल के निष्कर्ष और दो उपग्रह पास और दो SWIR बैंड के बीच वायुमंडल के शीर्ष (TOA) परावर्तन Δρ (अर्थात्, वायुमंडलीय एरोसोल और गैसों के योगदान सहित सेंटिनल -2 द्वारा मापा गया परावर्तन) में आंशिक परिवर्तन की गणना करें; एक बेसलाइन पास जहां कोई मीथेन मौजूद नहीं है (बेस) और एक मॉनिटरिंग पास जहां एक सक्रिय मीथेन बिंदु स्रोत का संदेह है (मॉनिटर)। गणितीय रूप से, इसे इस प्रकार व्यक्त किया जा सकता है:

समीकरण (1)

जहां ρ सेंटिनल-2, सी द्वारा मापा गया टीओए परावर्तन है^{मॉनिटर} और ग^आधार पूरे दृश्य में बैंड-12 के मुकाबले बैंड-11 के टीओए परावर्तन मूल्यों को पुनः प्राप्त करके गणना की जाती है (अर्थात, ρ_b11 = सी * ρ_b12). अधिक जानकारी के लिए, इस अध्ययन को देखें मल्टीस्पेक्ट्रल सेंटिनल-2 उपग्रह अवलोकनों के साथ विषम मीथेन बिंदु स्रोतों की उच्च आवृत्ति निगरानी.

सेजमेकर भू-स्थानिक क्षमताओं के साथ मीथेन डिटेक्शन एल्गोरिदम लागू करें

मीथेन डिटेक्शन एल्गोरिदम को लागू करने के लिए, हम अमेज़ॅन सेजमेकर स्टूडियो के भीतर सेजमेकर जियोस्पेशियल नोटबुक का उपयोग करते हैं। भू-स्थानिक नोटबुक कर्नेल आवश्यक भू-स्थानिक पुस्तकालयों से पूर्व-सुसज्जित है जीडीएएल, जियोपांडा, सुडौल, ज़ार्रे, तथा रैस्टेरियो, पायथन नोटबुक वातावरण के भीतर भू-स्थानिक डेटा के प्रत्यक्ष दृश्य और प्रसंस्करण को सक्षम करना। देखें गेटिंग स्टार्टेड गाइड यह जानने के लिए कि सेजमेकर भू-स्थानिक क्षमताओं का उपयोग कैसे शुरू करें।

सेजमेकर एक उद्देश्य-निर्मित प्रदान करता है API का उपयोग करके एक समेकित इंटरफ़ेस के माध्यम से उपग्रह इमेजरी की पुनर्प्राप्ति की सुविधा के लिए डिज़ाइन किया गया है सर्चरास्टरडाटाकलेक्शन एपीआई कॉल। SearchRasterDataCollection निम्नलिखित इनपुट मापदंडों पर निर्भर करता है:

• Arn: पूछे गए रास्टर डेटा संग्रह का अमेज़ॅन संसाधन नाम (एआरएन)।
• AreaOfInterest: एक बहुभुज वस्तु (जियोसन प्रारूप में) खोज क्वेरी के लिए रुचि के क्षेत्र का प्रतिनिधित्व करती है
• TimeRangeFilter: रुचि की समय सीमा को परिभाषित करता है, जिसे इस रूप में दर्शाया गया है {StartTime: <string>, EndTime: <string>}
• PropertyFilters: पूरक संपत्ति फ़िल्टर, जैसे अधिकतम स्वीकार्य क्लाउड कवर के लिए विनिर्देश, को भी शामिल किया जा सकता है

यह विधि विभिन्न रैस्टर डेटा स्रोतों से क्वेरी का समर्थन करती है जिसे कॉल करके पता लगाया जा सकता है ListRasterDataCollections. हमारे मीथेन का पता लगाने के कार्यान्वयन का उपयोग करता है सेंटिनल-2 उपग्रह इमेजरी, जिसे निम्नलिखित ARN का उपयोग करके विश्व स्तर पर संदर्भित किया जा सकता है: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

यह एआरएन सेंटिनल-2 इमेजरी का प्रतिनिधित्व करता है, जिसे लेवल 2ए (सतह परावर्तन, वायुमंडलीय रूप से सही) पर संसाधित किया गया है। मीथेन का पता लगाने के उद्देश्यों के लिए, हम टॉप-ऑफ़-वायुमंडल (टीओए) परावर्तन डेटा (स्तर 1 सी) का उपयोग करेंगे, जिसमें सतह स्तर के वायुमंडलीय सुधार शामिल नहीं हैं जो एयरोसोल संरचना और घनत्व (यानी, मीथेन लीक) में परिवर्तन को अवांछनीय बना देंगे। .

किसी विशिष्ट बिंदु स्रोत से संभावित उत्सर्जन की पहचान करने के लिए, हमें दो इनपुट मापदंडों की आवश्यकता है: संदिग्ध बिंदु स्रोत के निर्देशांक और मीथेन उत्सर्जन निगरानी के लिए एक निर्दिष्ट टाइमस्टैम्प। यह देखते हुए कि SearchRasterDataCollection एपीआई रुचि के क्षेत्र (एओआई) को परिभाषित करने के लिए बहुभुज या बहु-बहुभुज का उपयोग करता है, हमारे दृष्टिकोण में बिंदु निर्देशांक को पहले एक बाउंडिंग बॉक्स में विस्तारित करना और फिर उस बहुभुज का उपयोग करके सेंटिनल -2 इमेजरी का उपयोग करना शामिल है SearchRasterDateCollection.

इस उदाहरण में, हम उत्तरी अफ्रीका में एक तेल क्षेत्र से उत्पन्न होने वाले ज्ञात मीथेन रिसाव की निगरानी करते हैं। यह रिमोट सेंसिंग साहित्य में एक मानक सत्यापन मामला है और उदाहरण के लिए, इसका संदर्भ दिया गया है इसका अध्ययन। एक पूरी तरह से निष्पादन योग्य कोड आधार प्रदान किया गया है अमेजन-सैजमेकर-उदाहरण GitHub रिपॉजिटरी. यहां, हम केवल चयनित कोड अनुभागों पर प्रकाश डालते हैं जो सेजमेकर भू-स्थानिक क्षमताओं के साथ मीथेन पहचान समाधान को लागू करने के लिए प्रमुख बिल्डिंग ब्लॉक्स का प्रतिनिधित्व करते हैं। अतिरिक्त विवरण के लिए रिपॉजिटरी देखें।

हम उदाहरण के मामले के लिए निर्देशांक और लक्ष्य निगरानी तिथि प्रारंभ करके प्रारंभ करते हैं।

#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

निम्नलिखित कोड स्निपेट दिए गए बिंदु निर्देशांक के लिए एक बाउंडिंग बॉक्स बनाता है और फिर बाउंडिंग बॉक्स और निर्दिष्ट मॉनिटरिंग तिथि के आधार पर उपलब्ध सेंटिनल-2 इमेजरी की खोज करता है:

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)

प्रतिक्रिया में मेल खाने वाले सेंटिनल-2 आइटम और उनके संबंधित मेटाडेटा की एक सूची शामिल है। इसमे शामिल है क्लाउड-अनुकूलित जियो टीआईएफएफ (सीओजी) सभी के लिए सेंटिनल-2 बैंड, के रूप में के रूप में अच्छी तरह से थंबनेल छवि के दृश्य बैंड के त्वरित पूर्वावलोकन के लिए छवियां। स्वाभाविक रूप से, पूर्ण-रिज़ॉल्यूशन उपग्रह छवि (आरजीबी प्लॉट) तक पहुंचना भी संभव है, जो चित्र 2 में दिखाया गया है।

चित्र 2 - एओआई की उपग्रह छवि (आरजीबी प्लॉट)।

जैसा कि पहले बताया गया है, हमारा पता लगाने का दृष्टिकोण शीर्ष-वातावरण (टीओए) एसडब्ल्यूआईआर परावर्तन में आंशिक परिवर्तनों पर निर्भर करता है। इसे कार्यान्वित करने के लिए, एक अच्छी आधार रेखा की पहचान महत्वपूर्ण है। एक अच्छी आधार रेखा ढूंढना शीघ्र ही एक कठिन प्रक्रिया बन सकती है जिसमें बहुत सारे परीक्षण और त्रुटियां शामिल होती हैं। हालाँकि, अच्छे अनुमान इस खोज प्रक्रिया को स्वचालित करने में काफी मदद कर सकते हैं। एक खोज अनुमान जिसने अतीत में जांच किए गए मामलों के लिए अच्छा काम किया है वह इस प्रकार है: अतीत के लिए day_offset=n दिन, सभी उपग्रह इमेजरी पुनर्प्राप्त करें, किसी भी बादल को हटा दें और छवि को एओआई के दायरे में क्लिप करें। फिर एओआई में औसत बैंड-12 परावर्तन की गणना करें। बैंड-12 में उच्चतम औसत परावर्तन वाली छवि की सेंटिनल टाइल आईडी लौटाएँ।

यह तर्क निम्नलिखित कोड अंश में लागू किया गया है। इसका तर्क इस तथ्य पर निर्भर करता है कि बैंड-12 सीएच4 अवशोषण के प्रति अत्यधिक संवेदनशील है (चित्र 1 देखें)। अधिक औसत परावर्तन मान मीथेन उत्सर्जन जैसे स्रोतों से कम अवशोषण से मेल खाता है और इसलिए उत्सर्जन मुक्त बेसलाइन दृश्य के लिए एक मजबूत संकेत प्रदान करता है।

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)

इस पद्धति का उपयोग करने से हमें एक उपयुक्त बेसलाइन तिथि और संबंधित सेंटिनल-2 टाइल आईडी का अनुमान लगाने की अनुमति मिलती है। सेंटिनल-2 टाइल आईडी में मिशन आईडी (सेंटिनल-2ए/सेंटिनल-2बी), अद्वितीय टाइल नंबर (जैसे, 32एसकेए) और अन्य जानकारी के साथ छवि लेने की तारीख की जानकारी होती है और विशिष्ट रूप से एक अवलोकन की पहचान की जाती है (अर्थात , एक दृश्य)। हमारे उदाहरण में, सन्निकटन प्रक्रिया 6 अक्टूबर, 2019 का सुझाव देती है (सेंटिनल-2 टाइल: S2B_32SKA_20191006_0_L2A), सबसे उपयुक्त आधारभूत उम्मीदवार के रूप में।

इसके बाद, हम बेसलाइन तिथि और जिस तिथि की हम निगरानी करना चाहते हैं, उसके बीच परावर्तन में सही आंशिक परिवर्तन की गणना कर सकते हैं। सुधार कारक c (पूर्ववर्ती समीकरण 1 देखें) की गणना निम्नलिखित कोड से की जा सकती है:

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]

समीकरण 1 का पूर्ण कार्यान्वयन निम्नलिखित कोड स्निपेट में दिया गया है:

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

अंत में, हम उपरोक्त विधियों को एक एंड-टू-एंड रूटीन में लपेट सकते हैं जो किसी दिए गए देशांतर और अक्षांश के लिए एओआई की पहचान करता है, तारीख और बेसलाइन टाइल की निगरानी करता है, आवश्यक उपग्रह इमेजरी प्राप्त करता है, और आंशिक परावर्तन परिवर्तन गणना करता है।

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

इस पद्धति को हमारे द्वारा पहले निर्धारित मापदंडों के साथ चलाने से SWIR TOA परावर्तन में आंशिक परिवर्तन प्राप्त होता है xarray.DataArray. हम एक सिंपल चलाकर परिणाम का पहला दृश्य निरीक्षण कर सकते हैं plot() इस डेटा सरणी पर मंगलाचरण। हमारी पद्धति से एओआई के केंद्र में मीथेन प्लम की उपस्थिति का पता चलता है जो पहले देखे गए आरजीबी प्लॉट में पता नहीं चल सका था।

चित्र 3 - टीओए परावर्तन (एसडब्ल्यूआईआर स्पेक्ट्रम) में आंशिक परावर्तन परिवर्तन

अंतिम चरण के रूप में, हम पहचाने गए मीथेन प्लम को निकालते हैं और महत्वपूर्ण भौगोलिक संदर्भ प्रदान करने के लिए इसे एक कच्चे आरजीबी उपग्रह छवि पर ओवरले करते हैं। यह थ्रेशोल्डिंग द्वारा प्राप्त किया जाता है, जिसे निम्नलिखित में दिखाए अनुसार लागू किया जा सकता है:

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

हमारे मामले के लिए, परावर्तन में -0.02 आंशिक परिवर्तन की सीमा अच्छे परिणाम देती है लेकिन यह एक दृश्य से दूसरे दृश्य में बदल सकती है और आपको अपने विशिष्ट उपयोग के मामले के लिए इसे कैलिब्रेट करना होगा। चित्र 4 जो दर्शाता है कि एओआई की कच्ची उपग्रह छवि को नकाबपोश प्लम के साथ एक एकल समग्र छवि में जोड़कर प्लम ओवरले कैसे उत्पन्न होता है जो मीथेन प्लम को उसके भौगोलिक संदर्भ में दिखाता है।

चित्र 4 - आरजीबी छवि, टीओए परावर्तन (एसडब्ल्यूआईआर स्पेक्ट्रम) में आंशिक परावर्तन परिवर्तन, और एओआई के लिए मीथेन प्लम ओवरले

वास्तविक दुनिया की मीथेन उत्सर्जन घटनाओं के साथ समाधान सत्यापन

अंतिम चरण के रूप में, हम विभिन्न स्रोतों और भौगोलिक क्षेत्रों से मीथेन रिसाव का सही ढंग से पता लगाने और उसका पता लगाने की क्षमता के लिए अपनी पद्धति का मूल्यांकन करते हैं। सबसे पहले, हम विशेष रूप से डिज़ाइन किए गए नियंत्रित मीथेन रिलीज़ प्रयोग का उपयोग करते हैं अंतरिक्ष-आधारित बिंदु-स्रोत का पता लगाने और तटवर्ती मीथेन उत्सर्जन की मात्रा का सत्यापन. 2021 के इस प्रयोग में, शोधकर्ताओं ने 19 दिनों की अवधि में एहरेनबर्ग, एरिज़ोना में कई मीथेन रिलीज किए। उस प्रयोग के दौरान सेंटिनल-2 पासों में से एक के लिए हमारी पता लगाने की विधि चलाने से मीथेन प्लम दिखाते हुए निम्नलिखित परिणाम उत्पन्न होते हैं:

चित्र 5 - एरिज़ोना नियंत्रित रिलीज़ प्रयोग के लिए मीथेन प्लम की तीव्रता

नियंत्रित रिलीज़ के दौरान उत्पन्न प्लम को हमारी पहचान पद्धति द्वारा स्पष्ट रूप से पहचाना जाता है। पूर्वी एशिया में लैंडफिल (बाएं) या उत्तरी अमेरिका में तेल और गैस सुविधा (दाएं) जैसे स्रोतों से अन्य ज्ञात वास्तविक दुनिया के रिसाव (आगे चित्र 6 में) के लिए भी यही सच है।

चित्र 6 - पूर्वी एशियाई लैंडफिल (बाएं) और उत्तरी अमेरिका में एक तेल और गैस क्षेत्र (दाएं) के लिए मीथेन प्लम की तीव्रता

संक्षेप में, हमारी पद्धति नियंत्रित रिलीज और दुनिया भर में विभिन्न वास्तविक-विश्व बिंदु स्रोतों से मीथेन उत्सर्जन की पहचान करने में मदद कर सकती है। यह सीमित आसपास की वनस्पति वाले तटीय बिंदु स्रोतों के लिए सबसे अच्छा काम करता है। यह ऑफ-शोर दृश्यों के लिए काम नहीं करता है पानी द्वारा SWIR स्पेक्ट्रम का उच्च अवशोषण (अर्थात् कम संप्रेषण)।. यह देखते हुए कि प्रस्तावित पता लगाने वाला एल्गोरिदम मीथेन की तीव्रता में भिन्नता पर निर्भर करता है, हमारी विधि को पूर्व-रिसाव अवलोकनों की भी आवश्यकता होती है। इससे निरंतर उत्सर्जन दरों के साथ रिसाव की निगरानी चुनौतीपूर्ण हो सकती है।

क्लीन अप

मीथेन निगरानी कार्य पूरा होने के बाद अवांछित शुल्क लगने से बचने के लिए, सुनिश्चित करें कि आप सेजमेकर इंस्टेंस को समाप्त कर दें और किसी भी अवांछित स्थानीय फ़ाइल को हटा दें।

निष्कर्ष

सेजमेकर भू-स्थानिक क्षमताओं को खुले भू-स्थानिक डेटा स्रोतों के साथ जोड़कर आप अपने स्वयं के उच्च अनुकूलित दूरस्थ निगरानी समाधानों को बड़े पैमाने पर लागू कर सकते हैं। यह ब्लॉग पोस्ट मीथेन का पता लगाने पर केंद्रित है, जो सरकारों, गैर सरकारी संगठनों और अन्य संगठनों के लिए एक केंद्रीय क्षेत्र है जो हानिकारक मीथेन उत्सर्जन का पता लगाना और अंततः उससे बचना चाहते हैं। आप सेजमेकर जियोस्पेशियल कर्नेल के साथ एक नोटबुक को स्पिन करके और अपने स्वयं के डिटेक्शन समाधान को लागू करके भू-स्थानिक विश्लेषण में अपनी यात्रा आज से शुरू कर सकते हैं। देखें गिटहब भंडार अपना स्वयं का उपग्रह-आधारित मीथेन पता लगाने वाला समाधान बनाना शुरू करने के लिए। यह भी जांचें सेजमेकर-उदाहरण अन्य वास्तविक दुनिया के रिमोट सेंसिंग अनुप्रयोगों में सेजमेकर भू-स्थानिक क्षमताओं का उपयोग करने के तरीके पर आगे के उदाहरणों और ट्यूटोरियल के लिए रिपॉजिटरी।

लेखक के बारे में

डॉ. कार्स्टन श्रोएर एडब्ल्यूएस में समाधान वास्तुकार हैं। वह अपने आईटी बुनियादी ढांचे की स्थिरता को चलाने के लिए डेटा और प्रौद्योगिकी का लाभ उठाने में ग्राहकों का समर्थन करता है और क्लाउड-देशी डेटा-संचालित समाधान बनाता है जो उनके संबंधित वर्टिकल में स्थायी संचालन को सक्षम बनाता है। एप्लाइड मशीन लर्निंग एंड ऑपरेशंस मैनेजमेंट में पीएचडी की पढ़ाई के बाद कार्स्टन AWS में शामिल हो गए। वह वास्तव में सामाजिक चुनौतियों के लिए प्रौद्योगिकी-सक्षम समाधानों के बारे में भावुक हैं और इन समाधानों को रेखांकित करने वाले तरीकों और एप्लिकेशन आर्किटेक्चर में गहराई से गोता लगाना पसंद करते हैं।

जानोश वोस्चिट्ज़ एडब्ल्यूएस में एक वरिष्ठ समाधान वास्तुकार हैं, जो भू-स्थानिक एआई/एमएल में विशेषज्ञता रखते हैं। 15 वर्षों से अधिक के अनुभव के साथ, वह भू-स्थानिक डेटा का लाभ उठाने वाले नवीन समाधानों के लिए एआई और एमएल का लाभ उठाने में विश्व स्तर पर ग्राहकों का समर्थन करता है। उनकी विशेषज्ञता मशीन लर्निंग, डेटा इंजीनियरिंग और स्केलेबल वितरित सिस्टम तक फैली हुई है, जो सॉफ्टवेयर इंजीनियरिंग में एक मजबूत पृष्ठभूमि और स्वायत्त ड्राइविंग जैसे जटिल डोमेन में उद्योग विशेषज्ञता द्वारा संवर्धित है।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/