Detecting and monitoring high-frequency point sources of methane emissions using the geospatial capabilities of Amazon SageMaker

Rilevamento e monitoraggio delle fonti puntuali ad alta frequenza delle emissioni di metano utilizzando le capacità geospaziali di Amazon SageMaker

Il metano (CH4) è un importante gas serra antropogenico, un sottoprodotto dell’estrazione di petrolio e gas, dell’estrazione del carbone, dell’allevamento intensivo di animali su larga scala e dello smaltimento dei rifiuti, tra le altre fonti. Il potenziale di riscaldamento globale del CH4 è 86 volte superiore a quello del CO2 e il Gruppo intergovernativo di esperti sul cambiamento climatico (IPCC) stima che il metano sia responsabile del 30 percento del riscaldamento globale osservato fino ad oggi. La riduzione rapida delle fughe di CH4 nell’atmosfera rappresenta un componente critico nella lotta al cambiamento climatico. Nel 2021, l’ONU ha introdotto The Global Methane Pledge alla Conferenza sul Cambiamento Climatico (COP26), con l’obiettivo di adottare “misure tempestive sul metano per mantenere a portata di mano un futuro a 1,5°C”. Il Pledge conta 150 firmatari, inclusi gli Stati Uniti e l’Unione Europea.

La rilevazione precoce e il monitoraggio continuo delle fonti di metano sono un elemento chiave per un’azione significativa sul metano e stanno diventando una preoccupazione sia per i politici sia per le organizzazioni. L’implementazione di soluzioni economiche ed efficaci per la rilevazione del metano su larga scala, come rilevatori di metano in loco o spettrometri montati su aerei, è una sfida, in quanto spesso sono poco pratici o eccessivamente costosi. L’osservazione remota tramite satelliti, d’altra parte, può fornire la funzionalità di rilevamento su scala globale, ad alta frequenza e a basso costo che gli stakeholder desiderano.

In questo articolo del blog, mostreremo come è possibile utilizzare le immagini satellitari Sentinel-2 ospitate sul Registro dei dati aperti di AWS insieme alle capacità geospaziali di Amazon SageMaker per rilevare le emissioni di metano da punti specifici e monitorarle nel tempo. Sulla base delle recenti scoperte nella letteratura sull’osservazione terrestre, imparerai come implementare un algoritmo personalizzato per la rilevazione del metano e come utilizzarlo per individuare e monitorare le fughe di metano da una varietà di siti in tutto il mondo. Questo articolo include il codice di accompagnamento su GitHub che fornisce ulteriori dettagli tecnici e ti aiuta a iniziare con la tua soluzione di monitoraggio del metano.

Tradizionalmente, eseguire analisi geospaziali complesse era un’attività difficile, che richiedeva molto tempo e risorse. Le capacità geospaziali di Amazon SageMaker rendono più facile per i data scientist e gli ingegneri di machine learning creare, allenare e implementare modelli utilizzando dati geospaziali. Utilizzando le capacità geospaziali di SageMaker, è possibile trasformare o arricchire in modo efficiente set di dati geospaziali su larga scala, accelerare la creazione di modelli con modelli di machine learning pre-arrivati e esplorare le previsioni del modello e i dati geospaziali su una mappa interattiva utilizzando grafica 3D accelerata e strumenti di visualizzazione integrati.

• Ricerca dell’immagine in 5 minuti
• Partecipa gratuitamente alla conferenza ODSC West Virtual con il Pass Open
• Le reti neurali raggiungono la generalizzazione del linguaggio simile a quella umana

Rilevazione remota delle fonti di metano mediante immagini satellitari multispettrali

I metodi di rilevamento del metano basati sui satelliti si basano tipicamente sulle caratteristiche di trasmissione uniche del CH4. Nel campo visibile, il metano ha valori di trasmissione pari o vicini a 1, il che significa che non è rilevabile a occhio nudo. Tuttavia, in alcune lunghezze d’onda, il metano assorbe la luce (trasmissione <1), una proprietà che può essere sfruttata per scopi di rilevamento. A tal scopo, si sceglie tipicamente lo spettro nell’infrarosso a lunghezza d’onda corta (SWIR) (intervallo spettrale da 1500 a 2500 nm), dove il metano è più rilevabile. Le missioni satellitari iper- e multispettrali (ovvero quelle con strumenti ottici che catturano dati di immagini in diverse gamme di lunghezze d’onda (bande) in tutto lo spettro elettromagnetico) coprono queste gamme SWIR e rappresentano quindi strumenti di rilevamento potenziali. La Figura 1 rappresenta le caratteristiche di trasmissione del metano nello spettro SWIR e la copertura SWIR di vari strumenti satellitari multispettrali candidati (adattato da uno studio questo).

Figura 1 – Caratteristiche di trasmissione del metano nello spettro SWIR e copertura delle missioni multi-spettrali di Sentinel-2

Molte missioni satellitari multispettrali sono limitate sia da una bassa frequenza di rilevamento (ad esempio, PRISMA Hyperspectral con circa 16 giorni) sia da una bassa risoluzione spaziale (ad esempio, Sentinel 5 con 7,5 km x 7,5 km). Il costo di accesso ai dati rappresenta una sfida aggiuntiva: alcune costellazioni dedicate operano come missioni commerciali, rendendo potenzialmente meno disponibili le informazioni sulle emissioni di CH4 ai ricercatori, ai decisori politici e ad altre parti interessate a causa di limitazioni finanziarie. La missione multispettrale di Sentinel-2 dell’ESA, su cui si basa questa soluzione, offre un giusto equilibrio tra frequenza di rilevamento (circa 5 giorni), risoluzione spaziale (circa 20 m) e accesso aperto (ospitato sul AWS Registry of Open Data).

Sentinel-2 ha due bande che coprono lo spettro SWIR (con una risoluzione di 20 m): banda-11 (lunghezza d’onda centrale di 1610 nm) e banda-12 (lunghezza d’onda centrale di 2190 nm). Entrambe le bande sono adatte per la rilevazione del metano, mentre la banda-12 ha una sensibilità significativamente maggiore all’assorbimento di CH4 (vedere Figura 1). Intuitivamente, ci sono due possibili approcci nell’utilizzo dei dati di riflettanza SWIR per la rilevazione del metano. In primo luogo, potresti concentrarti su una singola banda SWIR (idealmente quella più sensibile all’assorbimento di CH4) e calcolare la differenza di riflettanza pixel per pixel tra due passaggi satellitari diversi. In alternativa, puoi utilizzare i dati di un singolo passaggio satellitare per la rilevazione utilizzando le due bande spettrali SWIR adiacenti che presentano proprietà simili di riflettanza di superficie e aerosol ma caratteristiche diverse di assorbimento di metano.

Il metodo di rilevazione che implementiamo in questo post combina entrambi gli approcci. Ci basiamo su recenti scoperte della letteratura sull’osservazione della Terra e calcoliamo la variazione frazionaria nella riflettanza al top dell’atmosfera (TOA) Δρ (ossia la riflettanza misurata da Sentinel-2 includendo i contributi da aerosol atmosferici e gas) tra due passaggi satellitari e le due bande SWIR; un passaggio di base in cui non è presente metano (base) e un passaggio di monitoraggio in cui è sospetta una sorgente attiva di metano (monitor). Matematicamente, ciò può essere espresso come segue:

Equazione (1)

dove ρ rappresenta la riflettanza TOA misurata da Sentinel-2, cmonitor e cbase sono calcolati mediante regressione dei valori di riflettanza TOA della banda-12 rispetto a quelli della banda-11 in tutta la scena (ossia ρb11 = c * ρb12). Per ulteriori dettagli, si faccia riferimento a questo studio su monitoraggio ad alta frequenza di fonti puntuali anomale di metano con osservazioni in satellite multispettrale di Sentinel-2.

Implementare un algoritmo di rilevamento del metano con le capacità geospaziali di SageMaker

Per implementare l’algoritmo di rilevamento del metano, utilizziamo il notebook geospaziale di SageMaker all’interno di Amazon SageMaker Studio. Il kernel del notebook geospaziale è preattrezzato con librerie geospaziali essenziali come GDAL, GeoPandas, Shapely, xarray e Rasterio, consentendo la visualizzazione e l’elaborazione diretta dei dati geospaziali all’interno dell’ambiente del notebook Python. Consulta la guida introduttiva per saperne di più su come iniziare a utilizzare le capacità geospaziali di SageMaker.

SageMaker fornisce un API appositamente progettato per facilitare il recupero di immagini satellitari attraverso un’interfaccia consolidata utilizzando la chiamata API SearchRasterDataCollection. SearchRasterDataCollection si basa sui seguenti parametri di input:

• Arn: il nome dell’Amazon resource (ARN) della raccolta di dati raster interrogata
• AreaOfInterest: un oggetto poligono (in formato GeoJSON) che rappresenta la regione di interesse per la query di ricerca
• TimeRangeFilter: definisce l’intervallo di tempo di interesse, indicato come {StartTime: <string>, EndTime: <string>}
• PropertyFilters: possono essere anche incorporate ulteriori filtri di proprietà, come specifiche per il massimo copertura di nuvole accettabile

Questo metodo supporta l’interrogazione da varie fonti di dati raster che possono essere esplorate richiamando ListRasterDataCollections. La nostra implementazione del rilevamento del metano utilizza immagini satellitari Sentinel-2, che possono essere indicate globalmente utilizzando il seguente ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

Questo ARN rappresenta immagini Sentinel-2, che sono state elaborate per il Livello 2A (riflettanza superficiale, correzione atmosferica). A scopo di rilevamento del metano, utilizzeremo dati di riflettanza al top dell’atmosfera (TOA) (Livello 1C), che non include le correzioni atmosferiche a livello di superficie che renderebbero indetectabile i cambiamenti nella composizione e densità dell’aerosol (cioè le perdite di metano).

Per identificare le potenziali emissioni da una specifica sorgente punto, abbiamo bisogno di due parametri di input: le coordinate della presunta sorgente punto e un timestamp designato per il monitoraggio delle emissioni di metano. Dato che l’API SearchRasterDataCollection utilizza poligoni o multi-poligoni per definire un’area di interesse (AOI), il nostro approccio prevede di espandere le coordinate del punto in un bounding box prima e quindi utilizzare quel poligono per cercare immagini Sentinel-2 utilizzando la chiamata SearchRasterDateCollection.

In questo esempio, monitoriamo una nota perdita di metano originata da un campo petrolifero in Africa settentrionale. Questo è un caso di convalida standard nella letteratura di telerilevamento ed è citato, ad esempio, in questo studio. È fornita una base di codice completamente eseguibile nel repository amazon-sagemaker-examples su GitHub. Qui, mostriamo solo le sezioni di codice selezionate che rappresentano i principali blocchi di costruzione per l’implementazione di una soluzione di rilevamento del metano con le capacità geospaziali di SageMaker. Consultare il repository per ulteriori dettagli.

Iniziamo inizializzando le coordinate e la data di monitoraggio target per il caso di esempio.

#coordinate e data per il campo petrolifero in Africa settentrionale#vedere qui per referenza: https://doi.org/10.5194/amt-14-2771-2021point_longitude = 5.9053point_latitude = 31.6585target_date = '2019-11-20'#dimensione del bounding box in ogni direzione intorno al puntodistance_offset_meters = 1500

Il seguente frammento di codice genera un bounding box per le coordinate dei punti forniti e quindi esegue una ricerca delle immagini Sentinel-2 disponibili in base al bounding box e alla data di monitoraggio specificata:

def bbox_around_point(lon, lat, distance_offset_meters):    #Raggio equatoriale (km) preso da 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],    ])#genera bounding box e estrai le coordinate del poligonoaoi_geometry = bbox_around_point(point_longitude, point_latitude, distance_offset_meters)aoi_polygon_coordinates = geometry.mapping(aoi_geometry)['coordinates']#imposta i parametri di ricercasearch_params = {    "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # Dati Sentinel-2 L2    "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))        }    },}#interroga i dati raster utilizzando le capacità geospaziali di SageMakersentinel2_items = geospatial_client.search_raster_data_collection(**search_params)

La risposta contiene un elenco di elementi Sentinel-2 corrispondenti e i relativi metadati. Questi includono GeoTIFF Cloud-Optimized (COG) per tutti i band di Sentinel-2, così come le immagini thumbnail per una visione rapida delle bande visuali dell’immagine. Naturalmente, è anche possibile accedere all’immagine satellitare ad alta risoluzione (plot RGB) mostrata nella Figura 2 che segue.

Figura 2 – Immagine satellitare (plot RGB) di AOI

Come già dettagliato, il nostro approccio di rilevamento si basa su variazioni frazionarie nella riflettanza SWIR a livello di superficie (TOA). Perché ciò funzioni, l’identificazione di una buona linea di base è fondamentale. Trovare una buona linea di base può diventare rapidamente un processo tedioso che comporta molto tentativi ed errori. Tuttavia, una buona euristica può fare molto per automatizzare questo processo di ricerca. Una euristica di ricerca che ha funzionato bene per casi investigati in passato è la seguente: per gli ultimi day_offset=n giorni, recuperare tutte le immagini satellitari, rimuovere le nuvole e ritagliare l’immagine all’AOI considerata. Poi calcolare la riflettanza media della banda 12 su tutto l’AOI. Restituire l’ID del tile Sentinel dell’immagine con la riflettanza media più alta nella banda 12.

Questa logica è implementata nel seguente estratto di codice. La sua ragion d’essere si basa sul fatto che la banda 12 è altamente sensibile all’assorbimento di CH4 (vedi Figura 1). Un valore di riflettanza media maggiore corrisponde a un minore assorbimento da parte di fonti come le emissioni di metano e quindi fornisce un’indicazione forte per una scena di linea di base priva di emissioni.

def approximate_best_reference_date(lon, lat, date_to_monitor, distance_offset=1500, cloud_mask=True, day_offset=30):        #inizializza AOI e altri parametri    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               #ciclo sui n=day_offset giorni precedenti    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')                   #ottieni i tile Sentinel-2 per la data corrente        s2_tiles_for_target_date = get_sentinel2_meta_data(target_date, aoi_geometry)                #ciclo sui tile disponibili per la data corrente        for s2_tile_meta in s2_tiles_for_target_date:            s2_tile_id_to_test = s2_tile_meta['Id']            #recupera la banda 12 L1C mascherata dalle nuvole (opzionale)            target_band_data = get_s2l1c_band_data_xarray(s2_tile_id_to_test, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask)            #calcola la riflettanza media della banda SWIR            mean_swir = target_band_data.sum() / target_band_data.count()                        #assicurati che l'area visibile/non nuvolosa sia sufficientemente grande            visible_area_ratio = target_band_data.count() / (target_band_data.shape[1] * target_band_data.shape[2])            if visible_area_ratio <= 0.7: #<-- assicurati che ci sia una copertura nuvolosa accettabile                continue                        #aggiorna l'ID del tile di ref_s2_tile_id e la data di ref_target_date se applicabile            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)

Utilizzando questo metodo siamo in grado di approssimare una data di linea di base adatta e l’ID del tile Sentinel-2 corrispondente. Gli ID del tile Sentinel-2 contengono informazioni sulla missione ID (Sentinel-2A/Sentinel-2B), il numero del tile univoco (ad esempio, 32SKA) e la data in cui l’immagine è stata scattata, oltre ad altre informazioni e identificano un’osservazione in modo univoco (ovvero una scena). Nel nostro esempio, il processo di approssimazione suggerisce il 6 ottobre 2019 (Sentinel-2 tile: S2B_32SKA_20191006_0_L2A), come il candidato di linea di base più adatto.

In seguito, possiamo calcolare la variazione frazionaria corretta della riflettanza tra la data di riferimento e la data che vogliamo monitorare. I fattori di correzione c (vedi Equazione 1 precedente) possono essere calcolati con il codice seguente:

def calcola_fattore_correzione(tif_y, tif_x):        #otteniamo array appiattiti per la regressione    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)            #adattamento del modello lineare utilizzando la regressione dei minimi quadrati    x = x[:,np.newaxis] #rimodelliamo    c, _, _, _ = np.linalg.lstsq(x, y, rcond=None)    return c[0]

L’implementazione completa dell’Equazione 1 è fornita nel frammento di codice seguente:

def calcola_variazione_reflettanza_frazionaria_corretta(l1_b11_base, l1_b12_base, l1_b11_monitor, l1_b12_monitor):        #otteniamo i fattori di correzione    c_monitor = calcola_fattore_correzione(tif_y=l1_b11_monitor, tif_x=l1_b12_monitor)    c_base = calcola_fattore_correzione(tif_y=l1_b11_base, tif_x=l1_b12_base)        #otteniamo la variazione frazionaria corretta della riflettanza    variazione_frazionaria = ((c_monitor*l1_b12_monitor-l1_b11_monitor)/l1_b11_monitor)-((c_base*l1_b12_base-l1_b11_base)/l1_b11_base)    return variazione_frazionaria

Infine, possiamo racchiudere i metodi sopra in una routine end-to-end che identifica l’AOI per una data longitudine e latitudine, data di monitoraggio e riferimento, acquisisce le immagini satellitari richieste e esegue il calcolo della variazione frazionaria della riflettanza.

def esegui_routine_completa_variazione_frazionaria_reflettanza(lon, lat, data_monitor, s2_tile_id_riferimento, offset_distanza=1500, maschera_nuvole=True):        #otteniamo bounding box    geometria_aoi = bbox_around_point(lon, lat, offset_distanza)        #otteniamo i metadati S2    meta_s2_monitor = get_sentinel2_meta_data(data_monitor, geometria_aoi)        #otteniamo l'id del tile    grid_id = s2_tile_id_riferimento.split("_")[1]    s2_id_monitor = list(filter(lambda x: f"_{grid_id}_" in x["Id"], meta_s2_monitor))[0]["Id"]        #recupera banda 11 e 12 del prodotto Sentinel L1C per i tile S2 dati    l1_swir16_b11_base = get_s2l1c_band_data_xarray(s2_tile_id_riferimento, BAND_11_SWIR16, clip_geometry=geometria_aoi, cloud_mask=maschera_nuvole)    l1_swir22_b12_base = get_s2l1c_band_data_xarray(s2_tile_id_riferimento, BAND_12_SWIR22, clip_geometry=geometria_aoi, cloud_mask=maschera_nuvole)    l1_swir16_b11_monitor = get_s2l1c_band_data_xarray(s2_id_monitor, BAND_11_SWIR16, clip_geometry=geometria_aoi, cloud_mask=maschera_nuvole)    l1_swir22_b12_monitor = get_s2l1c_band_data_xarray(s2_id_monitor, BAND_12_SWIR22, clip_geometry=geometria_aoi, cloud_mask=maschera_nuvole)        #calcola la variazione frazionaria corretta della riflettanza    variazione_frazionaria = calcola_variazione_reflettanza_frazionaria_corretta(        l1_swir16_b11_base,        l1_swir22_b12_base,        l1_swir16_b11_monitor,        l1_swir22_b12_monitor    )        return variazione_frazionaria

Eseguendo questo metodo con i parametri determinati in precedenza, otteniamo la variazione frazionaria della riflettanza SWIR in un xarray.DataArray. Possiamo effettuare una prima ispezione visiva del risultato eseguendo una semplice invocazione plot() su questo array di dati. Il nostro metodo rivela la presenza di una nuvola di metano al centro dell’AOI che non era rilevabile nel grafico RGB visto in precedenza.

Figura 3 – Variazione frazionaria della riflettanza nella riflettanza TOA (spettro SWIR)

Come ultimo passaggio, estraiamo la nube di metano identificata e la sovrapponiamo a un’immagine satellitare RGB grezza per fornire il contesto geografico importante. Ciò viene ottenuto attraverso la soglia che può essere implementata come mostrato di seguito:

def get_plume_mask(change_in_reflectance_tif, threshold_value):    cr_masked = change_in_reflectance_tif.copy()    #imposta i valori sopra la soglia su nan    cr_masked[cr_masked > treshold_value] = np.nan     #applica la maschera ai valori nan    plume_tif = np.ma.array(cr_masked, mask=cr_masked==np.nan)         return plume_tif

Per il nostro caso, una soglia di cambiamento frazionale della riflettanza di -0,02 produce buoni risultati, ma ciò può variare da scenario a scenario e dovrai calibrarlo per il tuo caso specifico. La Figura 4 che segue illustra come viene generata la sovrapposizione della nube combinando l’immagine satellitare grezza dell’AOI con la nube mascherata in un’unica immagine composita che mostra la nube di metano nel suo contesto geografico.

Figura 4 – immagine RGB, cambiamento frazionale della riflettanza nella riflettanza TOA (spettro SWIR) e sovrapposizione della nube di metano per AOI

Validazione della soluzione con eventi di emissione di metano nel mondo reale

Come ultimo passaggio, valutiamo il nostro metodo per la sua capacità di rilevare e individuare correttamente perdite di metano da una serie di fonti e geografie. Innanzitutto, utilizziamo un esperimento controllato di rilascio di metano specificamente progettato per la validazione della rilevazione e quantificazione delle emissioni di metano onshore da fonti puntiformi basata sullo spazio. In questo esperimento del 2021, i ricercatori hanno effettuato diversi rilasci di metano a Ehrenberg, in Arizona, nel corso di un periodo di 19 giorni. L’esecuzione del nostro metodo di rilevazione per uno dei passaggi di Sentinel-2 durante il periodo di tale esperimento produce il seguente risultato che mostra una nube di metano:

Figura 5 – Intensità della nube di metano per l’esperimento di rilascio controllato in Arizona

La nube generata durante il rilascio controllato viene identificata chiaramente dal nostro metodo di rilevazione. Lo stesso vale per altre perdite note nel mondo reale (nella Figura 6 che segue) da fonti come una discarica in Asia orientale (sinistra) o un impianto di petrolio e gas in America del Nord (destra).

Figura 6 – Intensità della nube di metano per una discarica in Asia orientale (sinistra) e un campo di petrolio e gas in America del Nord (destra)

In sintesi, il nostro metodo può aiutare a individuare le emissioni di metano sia da rilasci controllati che da varie fonti puntiformi reali in tutto il mondo. Questo funziona meglio per le fonti puntiformi onshore con limitata vegetazione circostante. Non funziona per scene offshore a causa dell’alta assorbimento (cioè bassa trasmissione) dello spettro SWIR da parte dell’acqua. Poiché l’algoritmo di rilevazione proposto si basa sulle variazioni dell’intensità del metano, il nostro metodo richiede anche osservazioni precedenti alle perdite. Ciò può rendere sfidante il monitoraggio delle perdite con emissioni costanti.

Pulizia

Per evitare di incorrere in addebiti indesiderati dopo il completamento di un lavoro di monitoraggio del metano, assicurati di terminare l’istanza di SageMaker e cancellare eventuali file locali indesiderati.

Conclusion

Combinando le capacità geospaziali di SageMaker con fonti di dati geospaziali aperte, è possibile implementare soluzioni di monitoraggio remoto altamente personalizzate su larga scala. Questo post si è concentrato sulla rilevazione del metano, un’area chiave per governi, ONG e altre organizzazioni che cercano di individuare e infine evitare le nocive emissioni di metano. Puoi iniziare oggi stesso il tuo viaggio nell’analisi geospaziale creando un Notebook con il kernel geospaziale di SageMaker e implementando la tua soluzione di rilevazione. Consulta il repository GitHub per iniziare a costruire la tua soluzione di rilevazione del metano basata su satellite. Dai anche un’occhiata al repository sagemaker-examples per ulteriori esempi e tutorial su come utilizzare le capacità geospaziali di SageMaker in altre applicazioni di rilevamento remoto reali.