Detección y monitoreo de alta frecuencia de las fuentes de emisión de metano utilizando las capacidades geoespaciales de Amazon SageMaker

Detección y seguimiento de fuentes de emisión de metano mediante las capacidades geoespaciales de Amazon SageMaker en alta frecuencia

El metano (CH4) es un importante gas de efecto invernadero antropogénico que es un subproducto de la extracción de petróleo y gas, la minería de carbón, la cría de animales a gran escala y la eliminación de residuos, entre otras fuentes. El potencial de calentamiento global del CH4 es 86 veces mayor que el del CO2 y el Panel Intergubernamental sobre Cambio Climático (IPCC) estima que el metano es responsable del 30 por ciento del calentamiento global observado hasta la fecha. Reducir rápidamente las fugas de CH4 a la atmósfera representa un componente crítico en la lucha contra el cambio climático. En 2021, la ONU presentó El Compromiso Global del Metano en la Conferencia sobre el Cambio Climático (COP26), con el objetivo de tomar “acciones rápidas sobre el metano para mantener un futuro de 1.5°C al alcance”. El Compromiso cuenta con 150 signatarios, incluyendo a Estados Unidos y la Unión Europea.

La detección temprana y el monitoreo continuo de las fuentes de metano es un componente clave de una acción significativa sobre el metano y, por lo tanto, se está convirtiendo en una preocupación tanto para los responsables de las políticas como para las organizaciones. Implementar soluciones asequibles y efectivas de detección de metano a gran escala, como detectores de metano in situ o espectrómetros montados en aviones, es un desafío, ya que a menudo son poco prácticos o prohibitivamente costosos. Por otro lado, la detección remota utilizando satélites puede proporcionar la funcionalidad de detección a escala global, alta frecuencia y rentable que los interesados desean.

En esta publicación de blog, te mostramos cómo puedes utilizar imágenes de satélite Sentinel 2 alojadas en el Registro de Datos Abiertos de AWS en combinación con las capacidades geoespaciales de Amazon SageMaker para detectar fuentes puntuales de emisiones de CH4 y monitorearlas a lo largo del tiempo. Basándonos en hallazgos recientes de la literatura de observación de la Tierra, aprenderás cómo puedes implementar un algoritmo personalizado de detección de metano y utilizarlo para detectar y monitorear las fugas de metano en una variedad de sitios alrededor del mundo. Esta publicación incluye código complementario en GitHub que proporciona detalles técnicos adicionales y te ayuda a comenzar con tu propia solución de monitoreo de metano.

Tradicionalmente, ejecutar análisis geoespaciales complejos era una tarea difícil, que consumía mucho tiempo y recursos. Las capacidades geoespaciales de Amazon SageMaker facilitan a los científicos de datos e ingenieros de aprendizaje automático construir, entrenar e implementar modelos utilizando datos geoespaciales. Mediante el uso de las capacidades geoespaciales de SageMaker, puedes transformar o enriquecer de manera eficiente grandes conjuntos de datos geoespaciales, acelerar la construcción de modelos con modelos de aprendizaje automático (ML) pre-entrenados y explorar predicciones de modelos y datos geoespaciales en un mapa interactivo utilizando gráficos acelerados en 3D y herramientas de visualización incorporadas.

• Asiste a ODSC West Virtual de forma gratuita con el Pase Abierto’.
• Cómo este investigador ganador del Premio Turing se convirtió en un legendario asesor académico
• Estudiantes y profesores critican los sensores en los edificios

Detección remota de fuentes puntuales de metano utilizando imágenes de satélite multiespectrales

Los enfoques de detección de metano basados en satélites suelen depender de las características únicas de transmitancia del CH4. En el espectro visible, el CH4 tiene valores de transmitancia iguales o cercanos a 1, lo que significa que no es detectable a simple vista. Sin embargo, en ciertas longitudes de onda, el metano absorbe la luz (transmitancia <1), una propiedad que puede ser explotada con fines de detección. Para esto, se elige típicamente el espectro de infrarrojo de onda corta (SWIR, por sus siglas en inglés) (rango espectral de 1500 a 2500 nm), que es donde el CH4 es más detectable. Las misiones de satélites hiperespectrales y multiespectrales (es decir, aquellas con instrumentos ópticos que capturan datos de imagen dentro de múltiples rangos (bandas) de longitud de onda en el espectro electromagnético) cubren estos rangos SWIR y, por lo tanto, representan instrumentos potenciales de detección. La Figura 1 muestra las características de transmitancia del metano en el espectro SWIR y la cobertura SWIR de varios instrumentos de satélite multiespectrales candidatos (adaptado de este estudio).

Figura 1 – Características de transmisión del metano en el espectro SWIR y cobertura de las misiones multiespectrales Sentinel-2

Muchas misiones de satélites multiespectrales están limitadas ya sea por una baja frecuencia de revisión (por ejemplo, PRISMA Hyperspectral aproximadamente cada 16 días) o por una baja resolución espacial (por ejemplo, Sentinel 5 a 7,5 km x 7,5 km). El costo de acceder a los datos es un desafío adicional: algunas constelaciones dedicadas operan como misiones comerciales, lo que potencialmente dificulta el acceso a información sobre las emisiones de CH4 para investigadores, tomadores de decisiones y otras partes interesadas debido a restricciones financieras. La misión multiespectral de Sentinel-2 de la ESA, en la que se basa esta solución, logra un equilibrio adecuado entre la frecuencia de revisión (aproximadamente cada 5 días), la resolución espacial (aproximadamente 20 m) y el acceso abierto (alojado en el Registro de Datos Abiertos de AWS).

Sentinel-2 tiene dos bandas que cubren el espectro SWIR (a una resolución de 20 m): la banda-11 (longitud de onda central de 1610 nm) y la banda-12 (longitud de onda central de 2190 nm). Ambas bandas son adecuadas para la detección de metano, mientras que la banda-12 tiene una sensibilidad significativamente mayor a la absorción de CH4 (ver Figura 1). Intuitivamente, existen dos enfoques posibles para utilizar estos datos de reflectancia SWIR para la detección de metano. En primer lugar, se podría centrar en una sola banda SWIR (idealmente la que es más sensible a la absorción de CH4) y calcular la diferencia de reflectancia píxel a píxel en dos pasadas diferentes de satélite. Alternativamente, se puede utilizar datos de una sola pasada del satélite para la detección, utilizando las dos bandas espectrales SWIR adyacentes que tienen propiedades de reflectancia de superficie y aerosol similares, pero diferentes características de absorción de metano.

El método de detección que implementamos en esta publicación combina ambos enfoques. Nos basamos en hallazgos recientes de la literatura de observación de la Tierra y calculamos el cambio fraccional en la reflectancia de la parte superior de la atmósfera (TOA, por sus siglas en inglés) Δρ (es decir, la reflectancia medida por Sentinel-2 que incluye las contribuciones de aerosoles y gases atmosféricos) entre dos pasadas del satélite y las dos bandas SWIR; una pasada de referencia donde no hay metano presente (base) y una pasada de monitoreo donde se sospecha una fuente activa de metano puntual (monitor). Matemáticamente, esto se puede expresar de la siguiente manera:

Ecuación (1)

donde ρ es la reflectancia TOA medida por Sentinel-2, cmonitor y cbase se calculan mediante la regresión de los valores de reflectancia TOA de la banda-12 contra los de la banda-11 en toda la escena (es decir, ρb11 = c * ρb12). Para más detalles, consulte el estudio sobre monitoreo de alta frecuencia de fuentes anómalas de metano con observaciones de satélite multiespectral Sentinel-2.

Implementar un algoritmo de detección de metano con las capacidades geoespaciales de SageMaker

Para implementar el algoritmo de detección de metano, utilizamos el cuaderno geoespacial de SageMaker dentro de Amazon SageMaker Studio. El kernel del cuaderno geoespacial está equipado previamente con bibliotecas geoespaciales esenciales como GDAL, GeoPandas, Shapely, xarray y Rasterio, lo que permite visualizar y procesar directamente datos geoespaciales dentro del entorno de cuaderno Python. Consulte la guía de inicio para aprender cómo comenzar a utilizar las capacidades geoespaciales de SageMaker.

SageMaker proporciona una API especializada diseñada para facilitar la recuperación de imágenes satelitales a través de una interfaz consolidada utilizando la llamada a la API SearchRasterDataCollection. SearchRasterDataCollection se basa en los siguientes parámetros de entrada:

• Arn: El nombre del recurso de Amazon (ARN) de la colección de datos ráster consultada
• AreaOfInterest: Un objeto poligonal (en formato GeoJSON) que representa la región de interés para la consulta de búsqueda
• TimeRangeFilter: Define el rango de tiempo de interés, indicado como {StartTime: <string>, EndTime: <string>}
• PropertyFilters: También se pueden incorporar filtros de propiedades complementarios, como especificaciones de la cobertura de nubes máxima aceptable

Este método admite consultas desde diversas fuentes de datos ráster que se pueden explorar llamando a ListRasterDataCollections. Nuestra implementación de detección de metano utiliza imágenes satelitales del Sentinel-2, que se pueden referenciar globalmente utilizando el siguiente ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

Este ARN representa imágenes del Sentinel-2, que han sido procesadas hasta el Nivel 2A (reflectancia superficial, corregida atmosféricamente). Para fines de detección de metano, utilizaremos datos de reflectancia de la parte superior de la atmósfera (TOA) (Nivel 1C), que no incluyen las correcciones atmosféricas a nivel de superficie que harían que los cambios en la composición y densidad de aerosoles (es decir, fugas de metano) sean indetectables.

Para identificar emisiones potenciales de una fuente puntual específica, necesitamos dos parámetros de entrada: las coordenadas de la fuente puntual sospechada y una marca de tiempo designada para el monitoreo de emisiones de metano. Dado que la API SearchRasterDataCollection utiliza polígonos o multipolígonos para definir un área de interés (AOI), nuestro enfoque implica primero expandir las coordenadas del punto en un cuadro delimitador y luego utilizar ese polígono para consultar imágenes del Sentinel-2 utilizando SearchRasterDataCollection.

En este ejemplo, monitoreamos una fuga de metano conocida que se origina en un campo petrolífero en el norte de África. Este es un caso de validación estándar en la literatura de teledetección y se hace referencia, por ejemplo, en este estudio. Se proporciona una base de código completamente ejecutable en el repositorio de GitHub amazon-sagemaker-examples. Aquí, destacamos solo las secciones de código seleccionadas que representan los componentes clave para implementar una solución de detección de metano con capacidades geoespaciales de SageMaker. Consulte el repositorio para obtener detalles adicionales.

Comenzamos inicializando las coordenadas y la fecha de monitoreo objetivo para el caso de ejemplo.

#coordenadas y fecha para el campo petrolífero del norte de África#ver aquí para referencia: https://doi.org/10.5194/amt-14-2771-2021point_longitude = 5.9053point_latitude = 31.6585target_date = '2019-11-20'#tamaño del cuadro delimitador en cada dirección alrededor del puntodistance_offset_meters = 1500

El siguiente fragmento de código genera un cuadro delimitador para las coordenadas de punto dadas y luego realiza una búsqueda de las imágenes disponibles del Sentinel-2 en función del cuadro delimitador y la fecha de monitoreo especificada:

def bbox_around_point(lon, lat, distance_offset_meters):    #Radio ecuatorial (km) obtenido de 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],    ])#generar cuadro delimitador y extraer coordenadas del polígonoaoi_geometry = bbox_around_point(point_longitude, point_latitude, distance_offset_meters)aoi_polygon_coordinates = geometry.mapping(aoi_geometry)['coordinates']#establecer parámetros de búsquedasearch_params = {    "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # Datos L2 del Sentinel-2    "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))        }    },}#consultar datos ráster utilizando las capacidades geoespaciales de SageMakersentinel2_items = geospatial_client.search_raster_data_collection(**search_params)

La respuesta contiene una lista de elementos coincidentes de Sentinel-2 y sus metadatos correspondientes. Estos incluyen Cloud-Optimized GeoTIFFs (COG) para todas las bandas de Sentinel-2, así como imágenes de miniaturas para una vista previa rápida de las bandas visuales de la imagen. Naturalmente, también es posible acceder a la imagen satelital de alta resolución (gráfico RGB), que se muestra en la Figura 2 a continuación.

Figura 2 – Imagen satelital (gráfico RGB) de AOI

Como se detalló anteriormente, nuestro enfoque de detección se basa en cambios fraccionales en la reflectancia SWIR (Infrarrojo Cercano de Larga Longitud de Onda) de la parte superior de la atmósfera (TOA). Para que esto funcione, la identificación de una línea de base sólida es crucial. Encontrar una línea de base sólida puede convertirse rápidamente en un proceso tedioso que implica mucho ensayo y error. Sin embargo, las buenas heurísticas pueden facilitar mucho este proceso de búsqueda automatizando. Una heurística de búsqueda que ha funcionado bien en casos investigados en el pasado es la siguiente: durante los últimos day_offset=n días, recuperar todas las imágenes satelitales, eliminar las nubes y recortar la imagen al AOI (Área de Interés) en cuestión. Luego, calcular la reflectancia promedio de la banda 12 en todo el AOI. Devolver el ID de mosaico Sentinel de la imagen con la reflectancia promedio más alta en la banda 12.

Esta lógica está implementada en el siguiente fragmento de código. Su fundamentación se basa en el hecho de que la banda 12 es altamente sensible a la absorción del CH4 (metano) (ver Figura 1). Un valor de reflectancia promedio mayor corresponde a una menor absorción de fuentes como las emisiones de metano y, por lo tanto, proporciona una fuerte indicación de una escena de referencia libre de emisiones.

def approximate_best_reference_date(lon, lat, date_to_monitor, distance_offset=1500, cloud_mask=True, day_offset=30):        #inicializar AOI y otros parámetros    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               #iterar durante los últimos n=day_offset días    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')                   #obtener mosaicos Sentinel-2 para la fecha actual        s2_tiles_for_target_date = get_sentinel2_meta_data(target_date, aoi_geometry)                #iterar sobre los mosaicos disponibles para la fecha actual        for s2_tile_meta in s2_tiles_for_target_date:            s2_tile_id_to_test = s2_tile_meta['Id']            #recuperar datos de banda 12 de nivel L1C con máscara de nubes (opcional)            target_band_data = get_s2l1c_band_data_xarray(s2_tile_id_to_test, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask)            #calcular la reflectancia promedio de la banda SWIR            mean_swir = target_band_data.sum() / target_band_data.count()                        #asegurar que el área visible/no nublada sea adecuadamente grande            visible_area_ratio = target_band_data.count() / (target_band_data.shape[1] * target_band_data.shape[2])            if visible_area_ratio <= 0.7: #<-- asegurar una cobertura de nubes aceptable                continue                        #actualizar ref_s2_tile_id y ref_target_date si corresponde            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)

Utilizando este método nos permite aproximar una fecha de línea de base adecuada y el correspondiente ID de mosaico Sentinel-2. Los ID de mosaico Sentinel-2 contienen información sobre la misión (Sentinel-2A/Sentinel-2B), el número único de mosaico (por ejemplo, 32SKA) y la fecha en la que se tomó la imagen, entre otra información, y identifican de manera única una observación (es decir, una escena). En nuestro ejemplo, el proceso de aproximación sugiere el 6 de octubre de 2019 (mosaico Sentinel-2: S2B_32SKA_20191006_0_L2A) como el candidato de línea de base más adecuado.

A continuación, podemos calcular el cambio fraccional corregido en la reflectancia entre la fecha base y la fecha que deseamos monitorear. Los factores de corrección c (ver Ecuación 1 anterior) se pueden calcular con el siguiente código:

def calcular_factor_correccion(tif_y, tif_x):        #obtener matrices aplanadas para la regresión    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)            #ajustar modelo lineal usando regresión de mínimos cuadrados    x = x[:,np.newaxis] #reshape    c, _, _, _ = np.linalg.lstsq(x, y, rcond=None)    return c[0]

La implementación completa de la Ecuación 1 se muestra en el siguiente fragmento de código:

def calcular_cambio_fraccional_reflectancia_corregida(l1_b11_base, l1_b12_base, l1_b11_monitor, l1_b12_monitor):        #obtener factores de corrección    c_monitor = calcular_factor_correccion(tif_y=l1_b11_monitor, tif_x=l1_b12_monitor)    c_base = calcular_factor_correccion(tif_y=l1_b11_base, tif_x=l1_b12_base)        #obtener cambio fraccional de reflectancia corregida    cambio_fraccional = ((c_monitor*l1_b12_monitor-l1_b11_monitor)/l1_b11_monitor)-((c_base*l1_b12_base-l1_b11_base)/l1_b11_base)    return cambio_fraccional

Finalmente, podemos agrupar los métodos anteriores en una rutina integral que identifica la AOI para una longitud y latitud dadas, fecha de monitoreo y mosaico de referencia, adquiere las imágenes de satélite requeridas y realiza el cálculo del cambio fraccional de reflectancia.

def ejecutar_rutina_completa_cambio_fraccional_reflectancia(lon, lat, fecha_monitor, id_mosaico_s2_referencia, desplazamiento_distancia=1500, mascara_nubes=True):        #obtener caja delimitadora    aoi_geometria = caja_alrededor_punto(lon, lat, desplazamiento_distancia)        #obtener metadatos de S2    s2_meta_monitor = obtener_datos_meta_sentinel2(fecha_monitor, aoi_geometria)        #obtener id de mosaico    grid_id = id_mosaico_s2_referencia.split("_")[1]    id_mosaico_monitor = list(filter(lambda x: f"_{grid_id}_" in x["Id"], s2_meta_monitor))[0]["Id"]        #recuperar banda 11 y 12 del producto L1C de Sentinel para los mosaicos de S2 dados    l1_swir16_b11_base = obtener_datos_banda_s2l1c_xarray(id_mosaico_s2_referencia, BANDA_11_SWIR16, recortar_geometria=aoi_geometria, mascara_nubes=mascara_nubes)    l1_swir22_b12_base = obtener_datos_banda_s2l1c_xarray(id_mosaico_s2_referencia, BANDA_12_SWIR22, recortar_geometria=aoi_geometria, mascara_nubes=mascara_nubes)    l1_swir16_b11_monitor = obtener_datos_banda_s2l1c_xarray(id_mosaico_monitor, BANDA_11_SWIR16, recortar_geometria=aoi_geometria, mascara_nubes=mascara_nubes)    l1_swir22_b12_monitor = obtener_datos_banda_s2l1c_xarray(id_mosaico_monitor, BANDA_12_SWIR22, recortar_geometria=aoi_geometria, mascara_nubes=mascara_nubes)        #calcular cambio fraccional de reflectancia corregida    cambio_fraccional = calcular_cambio_fraccional_reflectancia_corregida(        l1_swir16_b11_base,        l1_swir22_b12_base,        l1_swir16_b11_monitor,        l1_swir22_b12_monitor    )        return cambio_fraccional

Ejecutar este método con los parámetros que determinamos anteriormente proporciona el cambio fraccional en la reflectancia TOA SWIR como un xarray.DataArray. Podemos realizar una primera inspección visual del resultado ejecutando una simple invocación de plot() en este conjunto de datos. Nuestro método revela la presencia de una pluma de metano en el centro de la AOI que era indetectable en el gráfico RGB visto anteriormente.

Figura 3: Cambio fraccional de reflectancia en reflectancia TOA (espectro SWIR)

Como último paso, extraemos la pluma de metano identificada y la superponemos en una imagen satelital RGB en bruto para proporcionar el importante contexto geográfico. Esto se logra mediante la umbralización, que se puede implementar de la siguiente manera:

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

Para nuestro caso, un umbral de cambio fraccional de -0.02 en reflectancia produce buenos resultados, pero esto puede cambiar de escena a escena y deberás calibrarlo para tu caso de uso específico. La Figura 4 que sigue ilustra cómo se genera la superposición de la pluma combinando la imagen satelital en bruto del área de interés con la pluma enmascarada en una sola imagen compuesta que muestra la pluma de metano en su contexto geográfico.

Figura 4 – Imagen RGB, cambio fraccional en reflectancia de reflectancia TOA (espectro SWIR) y superposición de pluma de metano para el área de interés

Validación de la solución con eventos reales de emisión de metano

Como último paso, evaluamos nuestro método en su capacidad para detectar y localizar correctamente fugas de metano de una variedad de fuentes y geografías. Primero, utilizamos un experimento controlado de liberación de metano diseñado específicamente para la validación de la detección y cuantificación de fuentes puntuales de emisión de metano basadas en el espacio. En este experimento realizado en 2021, los investigadores llevaron a cabo varias liberaciones de metano en Ehrenberg, Arizona, durante un período de 19 días. Al ejecutar nuestro método de detección para uno de los pasajes de Sentinel-2 durante el tiempo de ese experimento, obtenemos el siguiente resultado que muestra una pluma de metano:

Figura 5 – Intensidades de la pluma de metano para el Experimento de Liberación Controlada en Arizona

La pluma generada durante la liberación controlada es identificada claramente por nuestro método de detección. Lo mismo ocurre con otras fugas conocidas del mundo real (en la Figura 6 que sigue), como una en un vertedero de Asia Oriental (izquierda) o una instalación de petróleo y gas en América del Norte (derecha).

Figura 6 – Intensidades de la pluma de metano para un vertedero de Asia Oriental (izquierda) y un campo de petróleo y gas en América del Norte (derecha)

En resumen, nuestro método puede ayudar a identificar emisiones de metano tanto de liberaciones controladas como de diversas fuentes puntuales del mundo real en todo el mundo. Esto funciona mejor para fuentes puntuales en tierra con vegetación limitada alrededor. No funciona para escenas en alta mar debido a la alta absorción (es decir, baja transmitancia) del espectro SWIR por el agua. Dado que el algoritmo de detección propuesto se basa en variaciones en la intensidad del metano, nuestro método también requiere observaciones previas a la fuga. Esto puede dificultar el monitoreo de fugas con tasas de emisión constantes.

Limpieza

Para evitar incurrir en cargos no deseados después de que se haya completado un trabajo de monitoreo de metano, asegúrate de finalizar la instancia de SageMaker y eliminar cualquier archivo local no deseado.

Conclusion

Al combinar las capacidades geoespaciales de SageMaker con fuentes de datos geoespaciales abiertas, puedes implementar tus propias soluciones de monitoreo remoto altamente personalizadas a gran escala. Esta publicación del blog se centra en la detección de metano, un área clave para gobiernos, ONG y otras organizaciones que buscan detectar y, en última instancia, evitar emisiones dañinas de metano. Puedes comenzar hoy mismo tu propio viaje hacia la analítica geoespacial creando un Notebook con el kernel geoespacial de SageMaker e implementando tu propia solución de detección. Consulta el repositorio de GitHub para empezar a construir tu propia solución de detección de metano basada en satélites. También puedes consultar el repositorio de sagemaker-examples para obtener más ejemplos y tutoriales sobre cómo utilizar las capacidades geoespaciales de SageMaker en otras aplicaciones de teledetección del mundo real.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!