Khí mê-tan (CH4) là một loại khí nhà kính chính do con người tạo ra, là sản phẩm phụ của quá trình khai thác dầu khí, khai thác than, chăn nuôi quy mô lớn và xử lý chất thải, cùng nhiều nguồn khác. Tiềm năng nóng lên toàn cầu của CH4 gấp 86 lần CO2 và Hội đồng liên chính phủ về biến đổi khí hậu (IPCC) ước tính rằng Khí mê-tan chịu trách nhiệm cho 30% sự nóng lên toàn cầu được quan sát cho đến nay. Giảm nhanh sự rò rỉ CH4 vào khí quyển là một phần quan trọng trong cuộc chiến chống biến đổi khí hậu. Vào năm 2021, Liên hợp quốc đã giới thiệu Cam kết Methane toàn cầu tại Hội nghị về Biến đổi Khí hậu (COP26), với mục tiêu thực hiện “hành động nhanh chóng đối với khí mê-tan để duy trì tương lai 1.5C trong tầm tay”. Lời cam kết có Người ký 150 trong đó có Mỹ và EU.

Việc phát hiện sớm và giám sát liên tục các nguồn khí mê-tan là một phần quan trọng trong hành động có ý nghĩa đối với khí mê-tan và do đó đang trở thành mối quan tâm của các nhà hoạch định chính sách cũng như các tổ chức. Triển khai các giải pháp phát hiện khí mê-tan hiệu quả, giá cả phải chăng trên quy mô lớn - chẳng hạn như máy phát hiện khí mê-tan tại chỗ hoặc máy quang phổ gắn trên máy bay – là một thách thức vì chúng thường không thực tế hoặc cực kỳ tốn kém. Mặt khác, viễn thám sử dụng vệ tinh có thể cung cấp chức năng phát hiện ở quy mô toàn cầu, tần số cao và tiết kiệm chi phí mà các bên liên quan mong muốn.

Trong bài đăng trên blog này, chúng tôi chỉ cho bạn cách bạn có thể sử dụng Hình ảnh vệ tinh Sentinel 2 được lưu trữ trên Cơ quan đăng ký dữ liệu mở AWS kết hợp với Khả năng không gian địa lý của Amazon SageMaker để phát hiện các nguồn phát thải CH4 và giám sát chúng theo thời gian. Vẽ trên những phát hiện gần đây từ tài liệu quan sát trái đất bạn sẽ tìm hiểu cách triển khai thuật toán phát hiện khí mê-tan tùy chỉnh và sử dụng thuật toán đó để phát hiện cũng như giám sát sự rò rỉ khí mê-tan từ nhiều địa điểm khác nhau trên toàn cầu. Bài đăng này bao gồm mã đi kèm trên GitHub cung cấp thêm chi tiết kỹ thuật và giúp bạn bắt đầu với giải pháp giám sát khí mêtan của riêng bạn.

Theo truyền thống, việc thực hiện các phân tích không gian địa lý phức tạp là một công việc khó khăn, tốn thời gian và tốn nhiều tài nguyên. Khả năng không gian địa lý của Amazon SageMaker giúp các nhà khoa học dữ liệu và kỹ sư máy học dễ dàng xây dựng, đào tạo và triển khai các mô hình bằng cách sử dụng dữ liệu không gian địa lý. Bằng cách sử dụng các khả năng không gian địa lý của SageMaker, bạn có thể chuyển đổi hoặc làm phong phú các bộ dữ liệu không gian địa lý quy mô lớn một cách hiệu quả, tăng tốc xây dựng mô hình bằng các mô hình máy học (ML) được đào tạo trước và khám phá các dự đoán mô hình cũng như dữ liệu không gian địa lý trên bản đồ tương tác bằng cách sử dụng đồ họa tăng tốc 3D và tích hợp sẵn các công cụ trực quan.

Viễn thám các nguồn điểm mêtan sử dụng hình ảnh vệ tinh đa phổ

Các phương pháp cảm biến khí mê-tan dựa trên vệ tinh thường dựa vào đặc tính truyền qua độc đáo của CH4. Trong quang phổ khả kiến, CH4 có giá trị độ truyền qua bằng hoặc gần bằng 1, nghĩa là không thể phát hiện được bằng mắt thường. Tuy nhiên, trên một số bước sóng nhất định, khí metan có hấp thụ ánh sáng (độ truyền qua <1), một đặc tính có thể được khai thác cho mục đích phát hiện. Đối với điều này, phổ hồng ngoại bước sóng ngắn (SWIR) (dải phổ 1500–2500nm) thường được chọn, đây là nơi CH4 dễ được phát hiện nhất. Các sứ mệnh vệ tinh siêu và đa phổ (nghĩa là những sứ mệnh có thiết bị quang học thu thập dữ liệu hình ảnh trong nhiều phạm vi bước sóng (dải) trên phổ điện từ) bao trùm các phạm vi SWIR này và do đó đại diện cho các công cụ phát hiện tiềm năng. Hình 1 biểu thị các đặc tính truyền qua của khí mêtan trong phổ SWIR và phạm vi bao phủ SWIR của các thiết bị vệ tinh đa phổ ứng cử viên khác nhau (được điều chỉnh từ điều này nghiên cứu).

Hình 1 – Đặc tính truyền qua của khí mêtan trong phổ SWIR và phạm vi bao phủ của các nhiệm vụ đa phổ Sentinel-2

Nhiều sứ mệnh vệ tinh đa phổ bị giới hạn bởi tần suất truy cập lại thấp (ví dụ: PRISMA siêu quang vào khoảng 16 ngày) hoặc bằng độ phân giải không gian thấp (ví dụ: Sentinel 5 ở kích thước 7.5 km x 7.5 km). Chi phí truy cập dữ liệu là một thách thức bổ sung: một số nhóm chuyên dụng hoạt động như các nhiệm vụ thương mại, có khả năng khiến các nhà nghiên cứu, người ra quyết định và các bên liên quan khác không có được thông tin chi tiết về phát thải CH4 do hạn chế về tài chính. của ESA Nhiệm vụ đa quang phổ Sentinel-2, dựa trên giải pháp này, tạo ra sự cân bằng hợp lý giữa tốc độ truy cập lại (khoảng 5 ngày), độ phân giải không gian (khoảng 20 m) và truy cập mở (được lưu trữ trên Cơ quan đăng ký dữ liệu mở AWS).

Sentinel-2 có hai dải bao phủ phổ SWIR (ở độ phân giải 20 m): dải 11 (bước sóng trung tâm 1610 nm) và dải 12 (bước sóng trung tâm 2190 nm). Cả hai dải đều phù hợp để phát hiện khí mêtan, trong khi dải 12 có độ nhạy cao hơn đáng kể đối với sự hấp thụ CH4 (xem Hình 1). Về mặt trực quan, có hai cách tiếp cận khả thi để sử dụng dữ liệu phản xạ SWIR này để phát hiện khí mê-tan. Trước tiên, bạn có thể chỉ tập trung vào một dải SWIR duy nhất (lý tưởng là dải nhạy cảm nhất với sự hấp thụ CH4) và tính toán sự khác biệt theo từng pixel trong độ phản xạ qua hai lần truyền vệ tinh khác nhau. Ngoài ra, bạn sử dụng dữ liệu từ một lần truyền vệ tinh để phát hiện bằng cách sử dụng hai dải SWIR quang phổ liền kề có đặc tính phản xạ bề mặt và khí dung tương tự nhau nhưng có đặc tính hấp thụ khí mêtan khác nhau.

Phương pháp phát hiện mà chúng tôi triển khai trong bài đăng trên blog này kết hợp cả hai phương pháp. Chúng tôi vẽ trên những phát hiện gần đây từ tài liệu quan sát trái đất và tính toán sự thay đổi một phần của hệ số phản xạ trên đỉnh khí quyển (TOA) Δρ (nghĩa là hệ số phản xạ được đo bằng Sentinel-2 bao gồm cả sự đóng góp từ các sol khí và khí trong khí quyển) giữa hai vệ tinh và hai dải SWIR; một đường cơ sở trong đó không có khí mêtan (bazơ) và một đường giám sát nơi nghi ngờ có nguồn điểm mêtan đang hoạt động (màn hình). Về mặt toán học, điều này có thể được biểu diễn như sau:

phương trình (1)

trong đó ρ là hệ số phản xạ TOA được đo bằng Sentinel-2, c^{màn hình} và C^{cơ sở} được tính toán bằng cách hồi quy các giá trị phản xạ TOA của dải 12 so với các giá trị của dải 11 trên toàn bộ khung cảnh (nghĩa là ρ_b11 = c * ρ_b12). Để biết thêm chi tiết, hãy tham khảo nghiên cứu này về giám sát tần số cao các nguồn điểm mêtan dị thường bằng quan sát vệ tinh Sentinel-2 đa bán cầu.

Triển khai thuật toán phát hiện khí mê-tan với khả năng không gian địa lý của SageMaker

Để triển khai thuật toán phát hiện khí mê-tan, chúng tôi sử dụng sổ ghi chép không gian địa lý SageMaker trong Amazon SageMaker Studio. Nhân sổ ghi chép không gian địa lý được trang bị sẵn các thư viện không gian địa lý thiết yếu như GDAL, GeoPandas, Tạo dáng, dàn âm thanhvà rasterio, cho phép trực quan hóa và xử lý dữ liệu không gian địa lý trong môi trường sổ ghi chép Python. Xem Bắt đầu khóa hướng dẫn để tìm hiểu cách bắt đầu sử dụng các khả năng không gian địa lý của SageMaker.

SageMaker cung cấp một giải pháp được xây dựng có mục đích API được thiết kế để tạo thuận lợi cho việc truy xuất hình ảnh vệ tinh thông qua giao diện hợp nhất bằng cách sử dụng Bộ sưu tập dữ liệu RasterRaster Lệnh gọi API. SearchRasterDataCollection dựa vào các tham số đầu vào sau:

• Arn: Tên tài nguyên Amazon (ARN) của bộ sưu tập dữ liệu raster được truy vấn
• AreaOfInterest: Một đối tượng đa giác (ở định dạng GeoJSON) đại diện cho vùng quan tâm cho truy vấn tìm kiếm
• TimeRangeFilter: Xác định phạm vi thời gian quan tâm, ký hiệu là {StartTime: <string>, EndTime: <string>}
• PropertyFilters: Các bộ lọc thuộc tính bổ sung, chẳng hạn như thông số kỹ thuật về độ che phủ đám mây tối đa có thể chấp nhận được, cũng có thể được kết hợp

Phương pháp này hỗ trợ truy vấn từ nhiều nguồn dữ liệu raster khác nhau có thể được khám phá bằng cách gọi Danh sáchRasterDataBộ sưu tập. Việc triển khai phát hiện khí mê-tan của chúng tôi sử dụng Hình ảnh vệ tinh Sentinel-2, có thể được tham chiếu toàn cầu bằng cách sử dụng ARN sau: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

ARN này đại diện cho hình ảnh Sentinel-2, đã được xử lý ở Cấp 2A (độ phản xạ bề mặt, đã hiệu chỉnh theo khí quyển). Đối với mục đích phát hiện khí mê-tan, chúng tôi sẽ sử dụng dữ liệu phản xạ trên cùng của khí quyển (TOA) (Cấp 1C), không bao gồm các hiệu chỉnh khí quyển ở cấp độ bề mặt sẽ làm thay đổi thành phần và mật độ sol khí (nghĩa là rò rỉ khí mê-tan) không thể phát hiện được .

Để xác định lượng phát thải tiềm năng từ một nguồn điểm cụ thể, chúng tôi cần hai thông số đầu vào: tọa độ của nguồn điểm nghi ngờ và dấu thời gian được chỉ định để theo dõi phát thải khí mêtan. Cho rằng SearchRasterDataCollection API sử dụng đa giác hoặc nhiều đa giác để xác định khu vực quan tâm (AOI), cách tiếp cận của chúng tôi bao gồm việc mở rộng tọa độ điểm vào hộp giới hạn trước, sau đó sử dụng đa giác đó để truy vấn hình ảnh Sentinel-2 bằng cách sử dụng SearchRasterDateCollection.

Trong ví dụ này, chúng tôi theo dõi một vụ rò rỉ khí mê-tan đã biết bắt nguồn từ một mỏ dầu ở Bắc Phi. Đây là trường hợp xác nhận tiêu chuẩn trong tài liệu viễn thám và được tham chiếu, ví dụ, trong điều này học. Một cơ sở mã thực thi đầy đủ được cung cấp trên Kho lưu trữ GitHub của amazon-sagemaker -amples. Ở đây, chúng tôi chỉ nêu bật những phần mã được chọn đại diện cho các khối xây dựng chính để triển khai giải pháp phát hiện khí mê-tan bằng khả năng không gian địa lý của SageMaker. Xem kho lưu trữ để biết thêm chi tiết.

Chúng tôi bắt đầu bằng việc khởi tạo tọa độ và ngày theo dõi mục tiêu cho trường hợp ví dụ.

#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

Đoạn mã sau tạo một hộp giới hạn cho tọa độ điểm nhất định và sau đó thực hiện tìm kiếm hình ảnh Sentinel-2 có sẵn dựa trên hộp giới hạn và ngày giám sát được chỉ định:

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)

Phản hồi chứa danh sách các mục Sentinel-2 phù hợp và siêu dữ liệu tương ứng của chúng. Bao gồm các GeoTIFF được tối ưu hóa cho đám mây (COG) cho tất cả Ban nhạc Sentinel-2, Cũng như thumbnail hình ảnh để xem trước nhanh các dải hình ảnh của hình ảnh. Đương nhiên, cũng có thể truy cập hình ảnh vệ tinh có độ phân giải đầy đủ (đồ thị RGB), được hiển thị trong Hình 2 sau đây.

Hình 2 – Ảnh vệ tinh (sơ đồ RGB) của AOI

Như đã nêu chi tiết trước đây, phương pháp phát hiện của chúng tôi dựa trên những thay đổi nhỏ trong độ phản xạ SWIR trên cùng của khí quyển (TOA). Để thực hiện được điều này, việc xác định một đường cơ sở tốt là rất quan trọng. Việc tìm kiếm một đường cơ sở tốt có thể nhanh chóng trở thành một quá trình tẻ nhạt, đòi hỏi nhiều thử nghiệm và sai sót. Tuy nhiên, phương pháp phỏng đoán tốt có thể giúp ích rất nhiều trong việc tự động hóa quá trình tìm kiếm này. Một heuristic tìm kiếm đã hoạt động tốt cho các trường hợp được điều tra trong quá khứ như sau: cho quá khứ day_offset=n ngày, truy xuất tất cả hình ảnh vệ tinh, xóa mọi đám mây và cắt hình ảnh vào phạm vi AOI. Sau đó tính toán hệ số phản xạ trung bình của dải 12 trên AOI. Trả về ID ô Sentinel của hình ảnh có độ phản xạ trung bình cao nhất trong dải 12.

Logic này được triển khai trong đoạn mã sau. Cơ sở lý luận của nó dựa trên thực tế là dải 12 rất nhạy cảm với sự hấp thụ CH4 (xem Hình 1). Giá trị phản xạ trung bình lớn hơn tương ứng với mức độ hấp thụ thấp hơn từ các nguồn như khí thải mêtan và do đó cung cấp dấu hiệu rõ ràng về khung cảnh cơ sở không có khí thải.

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)

Việc sử dụng phương pháp này cho phép chúng tôi ước tính ngày cơ sở phù hợp và ID ô Sentinel-2 tương ứng. ID ô Sentinel-2 mang thông tin về ID nhiệm vụ (Sentinel-2A/Sentinel-2B), số ô duy nhất (chẳng hạn như 32SKA) và ngày chụp ảnh cùng với các thông tin khác và xác định duy nhất một quan sát (nghĩa là , một cảnh). Trong ví dụ của chúng tôi, quy trình gần đúng đề xuất ngày 6 tháng 2019 năm 2 (ô Sentinel-XNUMX: S2B_32SKA_20191006_0_L2A), là ứng cử viên cơ sở phù hợp nhất.

Tiếp theo, chúng ta có thể tính toán sự thay đổi từng phần đã hiệu chỉnh về độ phản xạ giữa ngày cơ sở và ngày chúng ta muốn theo dõi. Hệ số hiệu chỉnh c (xem Công thức 1 trước đó) có thể được tính bằng mã sau:

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]

Việc triển khai đầy đủ Phương trình 1 được đưa ra trong đoạn mã sau:

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

Cuối cùng, chúng ta có thể kết hợp các phương pháp trên thành một quy trình toàn diện để xác định AOI cho kinh độ và vĩ độ nhất định, ngày theo dõi và ô đường cơ sở, thu được hình ảnh vệ tinh cần thiết và thực hiện tính toán thay đổi hệ số phản xạ theo tỷ lệ.

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

Việc chạy phương pháp này với các tham số mà chúng tôi đã xác định trước đó sẽ mang lại sự thay đổi một phần trong hệ số phản xạ SWIR TOA dưới dạng xaarray.DataArray. Chúng ta có thể thực hiện kiểm tra trực quan đầu tiên về kết quả bằng cách chạy một chương trình đơn giản plot() lời gọi trên mảng dữ liệu này. Phương pháp của chúng tôi cho thấy sự hiện diện của một luồng khí mêtan ở trung tâm AOI mà không thể phát hiện được trong biểu đồ RGB đã thấy trước đây.

Hình 3 – Sự thay đổi hệ số phản xạ phân số trong hệ số phản xạ TOA (phổ SWIR)

Bước cuối cùng, chúng tôi trích xuất chùm khí mêtan đã xác định và phủ nó lên hình ảnh vệ tinh RGB thô để cung cấp bối cảnh địa lý quan trọng. Điều này đạt được bằng cách đặt ngưỡng, có thể được thực hiện như sau:

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

Đối với trường hợp của chúng tôi, ngưỡng thay đổi tỷ lệ -0.02 trong hệ số phản xạ mang lại kết quả tốt nhưng điều này có thể thay đổi theo từng cảnh và bạn sẽ phải hiệu chỉnh giá trị này cho trường hợp sử dụng cụ thể của mình. Hình 4 sau đây minh họa cách lớp phủ chùm khí được tạo ra bằng cách kết hợp hình ảnh vệ tinh thô của AOI với chùm khí bị che thành một hình ảnh tổng hợp duy nhất hiển thị chùm khí mê-tan trong bối cảnh địa lý của nó.

Hình 4 – Hình ảnh RGB, sự thay đổi hệ số phản xạ phân đoạn trong hệ số phản xạ TOA (phổ SWIR) và lớp phủ chùm khí metan cho AOI

Xác thực giải pháp với các sự kiện phát thải khí mê-tan trong thế giới thực

Bước cuối cùng, chúng tôi đánh giá phương pháp của mình về khả năng phát hiện và xác định chính xác sự rò rỉ khí mê-tan từ nhiều nguồn và khu vực địa lý. Đầu tiên, chúng tôi sử dụng thí nghiệm giải phóng khí mê-tan có kiểm soát được thiết kế đặc biệt cho xác nhận việc phát hiện và định lượng nguồn điểm dựa trên không gian lượng phát thải khí mêtan trên bờ. Trong thí nghiệm năm 2021 này, các nhà nghiên cứu đã thực hiện một số lần giải phóng khí mê-tan ở Ehrenberg, Arizona trong khoảng thời gian 19 ngày. Chạy phương pháp phát hiện của chúng tôi đối với một trong các đường chuyền Sentinel-2 trong thời gian thử nghiệm đó sẽ tạo ra kết quả sau cho thấy một luồng khí mêtan:

Hình 5 – Cường độ chùm khí mêtan cho Thí nghiệm phát hành có kiểm soát của Arizona

Luồng khí tạo ra trong quá trình xả có kiểm soát được xác định rõ ràng bằng phương pháp phát hiện của chúng tôi. Điều tương tự cũng đúng với các rò rỉ thực tế đã biết khác (trong Hình 6 tiếp theo) từ các nguồn như bãi rác ở Đông Á (trái) hoặc cơ sở dầu khí ở Bắc Mỹ (phải).

Hình 6 – Cường độ chùm khí mêtan tại bãi rác Đông Á (trái) và mỏ dầu khí ở Bắc Mỹ (phải)

Tóm lại, phương pháp của chúng tôi có thể giúp xác định lượng khí thải mêtan từ cả nguồn phát thải được kiểm soát và từ nhiều nguồn điểm thực tế khác nhau trên toàn cầu. Điều này hoạt động tốt nhất đối với các nguồn điểm trên bờ với thảm thực vật xung quanh hạn chế. Nó không hoạt động đối với các cảnh ở ngoài khơi do độ hấp thụ cao (nghĩa là độ truyền qua thấp) của phổ SWIR bằng nước. Do thuật toán phát hiện được đề xuất dựa trên sự thay đổi cường độ khí mêtan, phương pháp của chúng tôi cũng yêu cầu quan sát trước khi rò rỉ. Điều này có thể khiến việc giám sát rò rỉ với tốc độ phát thải không đổi trở nên khó khăn.

Làm sạch

Để tránh phát sinh các khoản phí không mong muốn sau khi công việc giám sát khí mê-tan hoàn thành, hãy đảm bảo rằng bạn chấm dứt phiên bản SageMaker và xóa mọi tệp cục bộ không mong muốn.

Kết luận

Bằng cách kết hợp các khả năng không gian địa lý của SageMaker với các nguồn dữ liệu không gian địa lý mở, bạn có thể triển khai các giải pháp giám sát từ xa được tùy chỉnh cao của riêng mình trên quy mô lớn. Bài đăng trên blog này tập trung vào việc phát hiện khí mê-tan, một lĩnh vực trọng tâm dành cho các chính phủ, tổ chức phi chính phủ và các tổ chức khác đang tìm cách phát hiện và cuối cùng là tránh phát thải khí mê-tan có hại. Bạn có thể bắt đầu ngay hôm nay trong hành trình nghiên cứu phân tích không gian địa lý của riêng mình bằng cách khởi tạo Sổ tay có nhân không gian địa lý SageMaker và triển khai giải pháp phát hiện của riêng bạn. Xem Kho GitHub để bắt đầu xây dựng giải pháp phát hiện khí mê-tan dựa trên vệ tinh của riêng bạn. Ngoài ra hãy kiểm tra ví dụ về hiền giả kho lưu trữ để biết thêm các ví dụ và hướng dẫn về cách sử dụng các khả năng không gian địa lý của SageMaker trong các ứng dụng viễn thám trong thế giới thực khác.

Giới thiệu về tác giả

Tiến sĩ Karsten Schroer là Kiến trúc sư giải pháp tại AWS. Ông hỗ trợ khách hàng tận dụng dữ liệu và công nghệ để thúc đẩy tính bền vững của cơ sở hạ tầng CNTT của họ và xây dựng các giải pháp dựa trên dữ liệu gốc trên nền tảng đám mây nhằm hỗ trợ các hoạt động bền vững trong ngành dọc tương ứng của họ. Karsten gia nhập AWS sau khi học tiến sĩ về quản lý vận hành và học máy ứng dụng. Anh ấy thực sự đam mê các giải pháp hỗ trợ công nghệ cho các thách thức xã hội và thích tìm hiểu sâu về các phương pháp và cấu trúc ứng dụng làm nền tảng cho các giải pháp này.

Janosch Woschitz là Kiến trúc sư giải pháp cấp cao tại AWS, chuyên về AI/ML không gian địa lý. Với hơn 15 năm kinh nghiệm, ông hỗ trợ khách hàng trên toàn cầu trong việc tận dụng AI và ML để tạo ra các giải pháp đổi mới tận dụng dữ liệu không gian địa lý. Chuyên môn của ông bao gồm học máy, kỹ thuật dữ liệu và hệ thống phân tán có thể mở rộng, được tăng cường bởi nền tảng vững chắc về công nghệ phần mềm và kiến ​​thức chuyên môn về ngành trong các lĩnh vực phức tạp như lái xe tự động.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/